Date: 2019-12-26 18:30:36 CET, cola version: 1.3.2
Document is loading...
First the variable is renamed to res_list
.
res_list = rl
All available functions which can be applied to this res_list
object:
res_list
#> A 'ConsensusPartitionList' object with 24 methods.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows are extracted by 'SD, CV, MAD, ATC' methods.
#> Subgroups are detected by 'hclust, kmeans, skmeans, pam, mclust, NMF' method.
#> Number of partitions are tried for k = 2, 3, 4, 5, 6.
#> Performed in total 30000 partitions by row resampling.
#>
#> Following methods can be applied to this 'ConsensusPartitionList' object:
#> [1] "cola_report" "collect_classes" "collect_plots" "collect_stats"
#> [5] "colnames" "functional_enrichment" "get_anno_col" "get_anno"
#> [9] "get_classes" "get_matrix" "get_membership" "get_stats"
#> [13] "is_best_k" "is_stable_k" "ncol" "nrow"
#> [17] "rownames" "show" "suggest_best_k" "test_to_known_factors"
#> [21] "top_rows_heatmap" "top_rows_overlap"
#>
#> You can get result for a single method by, e.g. object["SD", "hclust"] or object["SD:hclust"]
#> or a subset of methods by object[c("SD", "CV")], c("hclust", "kmeans")]
The call of run_all_consensus_partition_methods()
was:
#> run_all_consensus_partition_methods(data = m, mc.cores = 4, anno = anno)
Dimension of the input matrix:
mat = get_matrix(res_list)
dim(mat)
#> [1] 11993 128
The density distribution for each sample is visualized as in one column in the following heatmap. The clustering is based on the distance which is the Kolmogorov-Smirnov statistic between two distributions.
library(ComplexHeatmap)
densityHeatmap(mat, top_annotation = HeatmapAnnotation(df = get_anno(res_list),
col = get_anno_col(res_list)), ylab = "value", cluster_columns = TRUE, show_column_names = FALSE,
mc.cores = 4)
Folowing table shows the best k
(number of partitions) for each combination
of top-value methods and partition methods. Clicking on the method name in
the table goes to the section for a single combination of methods.
The cola vignette explains the definition of the metrics used for determining the best number of partitions.
suggest_best_k(res_list)
The best k | 1-PAC | Mean silhouette | Concordance | Optional k | ||
---|---|---|---|---|---|---|
SD:skmeans | 4 | 1.000 | 0.965 | 0.987 | ** | |
CV:skmeans | 4 | 1.000 | 0.955 | 0.983 | ** | |
MAD:skmeans | 4 | 1.000 | 0.958 | 0.983 | ** | |
ATC:pam | 2 | 1.000 | 0.968 | 0.981 | ** | |
SD:mclust | 4 | 0.972 | 0.945 | 0.975 | ** | |
ATC:kmeans | 3 | 0.953 | 0.922 | 0.947 | ** | |
CV:mclust | 4 | 0.942 | 0.936 | 0.971 | * | 2 |
CV:NMF | 4 | 0.942 | 0.939 | 0.973 | * | |
ATC:skmeans | 3 | 0.915 | 0.886 | 0.954 | * | 2 |
MAD:mclust | 4 | 0.906 | 0.930 | 0.966 | * | |
SD:NMF | 4 | 0.906 | 0.922 | 0.966 | * | |
MAD:NMF | 4 | 0.902 | 0.898 | 0.952 | * | |
MAD:pam | 4 | 0.899 | 0.885 | 0.953 | ||
CV:pam | 4 | 0.893 | 0.882 | 0.952 | ||
SD:pam | 4 | 0.881 | 0.868 | 0.948 | ||
ATC:mclust | 2 | 0.859 | 0.909 | 0.947 | ||
MAD:kmeans | 4 | 0.838 | 0.909 | 0.924 | ||
ATC:NMF | 2 | 0.830 | 0.910 | 0.962 | ||
SD:kmeans | 4 | 0.782 | 0.929 | 0.912 | ||
CV:kmeans | 4 | 0.746 | 0.896 | 0.897 | ||
ATC:hclust | 3 | 0.618 | 0.763 | 0.884 | ||
CV:hclust | 5 | 0.528 | 0.602 | 0.689 | ||
MAD:hclust | 3 | 0.328 | 0.663 | 0.785 | ||
SD:hclust | 3 | 0.306 | 0.620 | 0.767 |
**: 1-PAC > 0.95, *: 1-PAC > 0.9
Cumulative distribution function curves of consensus matrix for all methods.
collect_plots(res_list, fun = plot_ecdf)
Consensus heatmaps for all methods. (What is a consensus heatmap?)
collect_plots(res_list, k = 2, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = consensus_heatmap, mc.cores = 4)
Membership heatmaps for all methods. (What is a membership heatmap?)
collect_plots(res_list, k = 2, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = membership_heatmap, mc.cores = 4)
Signature heatmaps for all methods. (What is a signature heatmap?)
Note in following heatmaps, rows are scaled.
collect_plots(res_list, k = 2, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 3, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 4, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 5, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 6, fun = get_signatures, mc.cores = 4)
The statistics used for measuring the stability of consensus partitioning. (How are they defined?)
get_stats(res_list, k = 2)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 2 0.387 0.735 0.860 0.437 0.556 0.556
#> CV:NMF 2 0.422 0.746 0.873 0.449 0.532 0.532
#> MAD:NMF 2 0.459 0.721 0.880 0.448 0.545 0.545
#> ATC:NMF 2 0.830 0.910 0.962 0.494 0.502 0.502
#> SD:skmeans 2 0.599 0.829 0.923 0.491 0.497 0.497
#> CV:skmeans 2 0.689 0.886 0.939 0.494 0.497 0.497
#> MAD:skmeans 2 0.801 0.880 0.949 0.501 0.500 0.500
#> ATC:skmeans 2 1.000 0.972 0.988 0.504 0.496 0.496
#> SD:mclust 2 0.761 0.958 0.963 0.396 0.614 0.614
#> CV:mclust 2 1.000 0.983 0.992 0.390 0.614 0.614
#> MAD:mclust 2 0.524 0.919 0.907 0.391 0.607 0.607
#> ATC:mclust 2 0.859 0.909 0.947 0.430 0.567 0.567
#> SD:kmeans 2 0.501 0.822 0.873 0.377 0.622 0.622
#> CV:kmeans 2 0.421 0.765 0.851 0.372 0.630 0.630
#> MAD:kmeans 2 0.358 0.822 0.864 0.417 0.614 0.614
#> ATC:kmeans 2 0.544 0.745 0.888 0.439 0.514 0.514
#> SD:pam 2 0.524 0.837 0.899 0.431 0.586 0.586
#> CV:pam 2 0.452 0.582 0.746 0.457 0.497 0.497
#> MAD:pam 2 0.400 0.775 0.824 0.480 0.497 0.497
#> ATC:pam 2 1.000 0.968 0.981 0.298 0.703 0.703
#> SD:hclust 2 0.786 0.915 0.949 0.333 0.674 0.674
#> CV:hclust 2 0.707 0.902 0.934 0.337 0.693 0.693
#> MAD:hclust 2 0.460 0.864 0.919 0.360 0.674 0.674
#> ATC:hclust 2 0.356 0.732 0.830 0.418 0.514 0.514
get_stats(res_list, k = 3)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 3 0.682 0.828 0.916 0.467 0.689 0.489
#> CV:NMF 3 0.698 0.801 0.907 0.429 0.692 0.482
#> MAD:NMF 3 0.812 0.893 0.941 0.450 0.708 0.511
#> ATC:NMF 3 0.618 0.783 0.893 0.344 0.731 0.510
#> SD:skmeans 3 0.748 0.870 0.928 0.341 0.765 0.563
#> CV:skmeans 3 0.665 0.800 0.888 0.329 0.766 0.566
#> MAD:skmeans 3 0.774 0.916 0.947 0.310 0.748 0.541
#> ATC:skmeans 3 0.915 0.886 0.954 0.282 0.814 0.640
#> SD:mclust 3 0.633 0.711 0.802 0.585 0.726 0.554
#> CV:mclust 3 0.577 0.705 0.821 0.619 0.725 0.552
#> MAD:mclust 3 0.459 0.635 0.752 0.588 0.799 0.669
#> ATC:mclust 3 0.564 0.752 0.882 0.168 0.781 0.671
#> SD:kmeans 3 0.720 0.742 0.870 0.635 0.692 0.534
#> CV:kmeans 3 0.727 0.782 0.836 0.633 0.703 0.551
#> MAD:kmeans 3 0.706 0.825 0.879 0.515 0.689 0.516
#> ATC:kmeans 3 0.953 0.922 0.947 0.419 0.668 0.454
#> SD:pam 3 0.456 0.599 0.803 0.512 0.516 0.319
#> CV:pam 3 0.458 0.688 0.786 0.400 0.590 0.358
#> MAD:pam 3 0.625 0.814 0.864 0.377 0.746 0.531
#> ATC:pam 3 0.661 0.794 0.892 1.033 0.646 0.508
#> SD:hclust 3 0.306 0.620 0.767 0.774 0.684 0.532
#> CV:hclust 3 0.350 0.509 0.751 0.632 0.692 0.557
#> MAD:hclust 3 0.328 0.663 0.785 0.672 0.688 0.537
#> ATC:hclust 3 0.618 0.763 0.884 0.422 0.799 0.633
get_stats(res_list, k = 4)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 4 0.906 0.922 0.966 0.170 0.826 0.550
#> CV:NMF 4 0.942 0.939 0.973 0.168 0.830 0.558
#> MAD:NMF 4 0.902 0.898 0.952 0.153 0.836 0.572
#> ATC:NMF 4 0.569 0.540 0.763 0.116 0.786 0.472
#> SD:skmeans 4 1.000 0.965 0.987 0.145 0.848 0.591
#> CV:skmeans 4 1.000 0.955 0.983 0.147 0.844 0.583
#> MAD:skmeans 4 1.000 0.958 0.983 0.148 0.846 0.587
#> ATC:skmeans 4 0.720 0.610 0.772 0.115 0.924 0.794
#> SD:mclust 4 0.972 0.945 0.975 0.185 0.899 0.709
#> CV:mclust 4 0.942 0.936 0.971 0.179 0.910 0.737
#> MAD:mclust 4 0.906 0.930 0.966 0.201 0.849 0.627
#> ATC:mclust 4 0.859 0.906 0.956 0.363 0.714 0.502
#> SD:kmeans 4 0.782 0.929 0.912 0.196 0.847 0.613
#> CV:kmeans 4 0.746 0.896 0.897 0.207 0.851 0.626
#> MAD:kmeans 4 0.838 0.909 0.923 0.177 0.848 0.602
#> ATC:kmeans 4 0.720 0.704 0.834 0.118 0.882 0.712
#> SD:pam 4 0.881 0.868 0.948 0.146 0.794 0.494
#> CV:pam 4 0.893 0.882 0.952 0.164 0.839 0.592
#> MAD:pam 4 0.899 0.885 0.953 0.129 0.805 0.502
#> ATC:pam 4 0.716 0.798 0.874 0.198 0.780 0.493
#> SD:hclust 4 0.459 0.585 0.711 0.205 0.851 0.606
#> CV:hclust 4 0.460 0.522 0.730 0.254 0.842 0.646
#> MAD:hclust 4 0.470 0.500 0.704 0.197 0.853 0.623
#> ATC:hclust 4 0.548 0.630 0.837 0.118 0.957 0.891
get_stats(res_list, k = 5)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 5 0.795 0.769 0.879 0.0653 0.898 0.627
#> CV:NMF 5 0.776 0.719 0.857 0.0636 0.917 0.687
#> MAD:NMF 5 0.775 0.751 0.868 0.0646 0.907 0.657
#> ATC:NMF 5 0.592 0.523 0.708 0.0685 0.802 0.409
#> SD:skmeans 5 0.852 0.760 0.879 0.0596 0.941 0.770
#> CV:skmeans 5 0.838 0.764 0.876 0.0571 0.955 0.819
#> MAD:skmeans 5 0.835 0.728 0.871 0.0592 0.948 0.794
#> ATC:skmeans 5 0.717 0.574 0.776 0.0762 0.820 0.480
#> SD:mclust 5 0.858 0.871 0.887 0.0331 0.991 0.966
#> CV:mclust 5 0.831 0.858 0.871 0.0399 1.000 1.000
#> MAD:mclust 5 0.822 0.843 0.875 0.0368 1.000 1.000
#> ATC:mclust 5 0.881 0.865 0.925 0.0933 0.938 0.806
#> SD:kmeans 5 0.765 0.729 0.836 0.0684 0.997 0.987
#> CV:kmeans 5 0.766 0.710 0.833 0.0704 0.980 0.922
#> MAD:kmeans 5 0.770 0.703 0.829 0.0601 0.981 0.924
#> ATC:kmeans 5 0.647 0.523 0.744 0.0787 0.945 0.843
#> SD:pam 5 0.859 0.791 0.908 0.0554 0.937 0.765
#> CV:pam 5 0.846 0.782 0.906 0.0576 0.931 0.745
#> MAD:pam 5 0.864 0.864 0.935 0.0536 0.935 0.758
#> ATC:pam 5 0.811 0.772 0.896 0.0449 0.880 0.610
#> SD:hclust 5 0.547 0.608 0.729 0.0865 0.950 0.812
#> CV:hclust 5 0.528 0.602 0.689 0.1004 0.858 0.604
#> MAD:hclust 5 0.544 0.565 0.703 0.0793 0.908 0.690
#> ATC:hclust 5 0.566 0.674 0.806 0.0510 0.964 0.899
get_stats(res_list, k = 6)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 6 0.748 0.696 0.824 0.0330 0.980 0.900
#> CV:NMF 6 0.789 0.701 0.851 0.0363 0.927 0.672
#> MAD:NMF 6 0.727 0.656 0.800 0.0344 0.966 0.840
#> ATC:NMF 6 0.636 0.579 0.703 0.0371 0.872 0.495
#> SD:skmeans 6 0.798 0.646 0.796 0.0341 0.970 0.861
#> CV:skmeans 6 0.785 0.651 0.794 0.0355 0.973 0.873
#> MAD:skmeans 6 0.790 0.672 0.781 0.0355 0.959 0.812
#> ATC:skmeans 6 0.713 0.619 0.764 0.0401 0.901 0.605
#> SD:mclust 6 0.821 0.742 0.853 0.0388 0.920 0.699
#> CV:mclust 6 0.792 0.658 0.795 0.0332 0.924 0.713
#> MAD:mclust 6 0.776 0.682 0.825 0.0365 0.933 0.739
#> ATC:mclust 6 0.797 0.778 0.874 0.0583 0.945 0.792
#> SD:kmeans 6 0.738 0.547 0.738 0.0427 0.937 0.753
#> CV:kmeans 6 0.726 0.594 0.768 0.0414 0.930 0.724
#> MAD:kmeans 6 0.744 0.538 0.726 0.0429 0.972 0.882
#> ATC:kmeans 6 0.639 0.552 0.718 0.0562 0.870 0.612
#> SD:pam 6 0.804 0.619 0.793 0.0292 0.955 0.796
#> CV:pam 6 0.797 0.702 0.862 0.0339 0.968 0.852
#> MAD:pam 6 0.841 0.824 0.900 0.0227 0.985 0.930
#> ATC:pam 6 0.769 0.707 0.852 0.0592 0.910 0.648
#> SD:hclust 6 0.645 0.558 0.702 0.0502 0.972 0.879
#> CV:hclust 6 0.650 0.561 0.749 0.0523 0.958 0.825
#> MAD:hclust 6 0.597 0.480 0.632 0.0482 0.914 0.651
#> ATC:hclust 6 0.603 0.606 0.775 0.0560 0.943 0.828
Following heatmap plots the partition for each combination of methods and the lightness correspond to the silhouette scores for samples in each method. On top the consensus subgroup is inferred from all methods by taking the mean silhouette scores as weight.
collect_stats(res_list, k = 2)
collect_stats(res_list, k = 3)
collect_stats(res_list, k = 4)
collect_stats(res_list, k = 5)
collect_stats(res_list, k = 6)
Collect partitions from all methods:
collect_classes(res_list, k = 2)
collect_classes(res_list, k = 3)
collect_classes(res_list, k = 4)
collect_classes(res_list, k = 5)
collect_classes(res_list, k = 6)
Overlap of top rows from different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "euler")
top_rows_overlap(res_list, top_n = 2000, method = "euler")
top_rows_overlap(res_list, top_n = 3000, method = "euler")
top_rows_overlap(res_list, top_n = 4000, method = "euler")
top_rows_overlap(res_list, top_n = 5000, method = "euler")
Also visualize the correspondance of rankings between different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "correspondance")
top_rows_overlap(res_list, top_n = 2000, method = "correspondance")
top_rows_overlap(res_list, top_n = 3000, method = "correspondance")
top_rows_overlap(res_list, top_n = 4000, method = "correspondance")
top_rows_overlap(res_list, top_n = 5000, method = "correspondance")
Heatmaps of the top rows:
top_rows_heatmap(res_list, top_n = 1000)
top_rows_heatmap(res_list, top_n = 2000)
top_rows_heatmap(res_list, top_n = 3000)
top_rows_heatmap(res_list, top_n = 4000)
top_rows_heatmap(res_list, top_n = 5000)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res_list, k = 2)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 114 0.718 0.3924 1.13e-02 2
#> CV:NMF 117 0.944 0.6656 2.63e-03 2
#> MAD:NMF 104 0.532 0.5699 9.69e-04 2
#> ATC:NMF 122 0.669 0.1273 5.88e-01 2
#> SD:skmeans 119 0.848 0.8802 1.01e-06 2
#> CV:skmeans 124 0.608 0.9057 2.83e-07 2
#> MAD:skmeans 121 0.555 0.7912 2.66e-06 2
#> ATC:skmeans 127 0.569 0.3674 4.55e-01 2
#> SD:mclust 128 0.329 0.1726 3.06e-23 2
#> CV:mclust 128 0.329 0.1726 3.06e-23 2
#> MAD:mclust 127 0.364 0.1643 4.90e-23 2
#> ATC:mclust 125 0.320 0.8934 5.48e-02 2
#> SD:kmeans 122 0.235 0.8313 1.58e-01 2
#> CV:kmeans 122 0.235 0.8313 1.58e-01 2
#> MAD:kmeans 128 0.448 0.4314 6.90e-02 2
#> ATC:kmeans 115 0.499 0.5622 3.80e-01 2
#> SD:pam 124 0.349 0.0488 9.78e-21 2
#> CV:pam 85 0.553 0.1205 1.49e-01 2
#> MAD:pam 127 0.745 0.2305 4.02e-01 2
#> ATC:pam 126 1.000 0.8240 4.74e-01 2
#> SD:hclust 127 0.255 0.7826 3.01e-01 2
#> CV:hclust 125 0.334 0.9533 3.34e-01 2
#> MAD:hclust 124 0.350 0.9908 2.88e-01 2
#> ATC:hclust 118 0.787 0.0829 8.83e-01 2
test_to_known_factors(res_list, k = 3)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 121 0.1105 0.8444 1.45e-07 3
#> CV:NMF 117 0.1818 0.7006 3.30e-08 3
#> MAD:NMF 123 0.0924 0.8064 1.49e-06 3
#> ATC:NMF 118 0.6459 0.0450 6.61e-01 3
#> SD:skmeans 127 0.1456 0.9089 7.57e-08 3
#> CV:skmeans 122 0.2779 0.8638 9.33e-08 3
#> MAD:skmeans 128 0.1809 0.9936 1.47e-07 3
#> ATC:skmeans 117 0.9196 0.0211 1.07e-01 3
#> SD:mclust 113 0.1415 0.3429 9.05e-22 3
#> CV:mclust 108 0.1430 0.3422 1.42e-21 3
#> MAD:mclust 93 0.1207 0.6583 1.42e-13 3
#> ATC:mclust 112 0.5499 0.1599 7.51e-01 3
#> SD:kmeans 96 0.1283 0.5346 7.54e-14 3
#> CV:kmeans 125 0.3378 0.4939 2.25e-17 3
#> MAD:kmeans 125 0.2055 0.8167 2.29e-07 3
#> ATC:kmeans 124 0.9271 0.0336 4.63e-01 3
#> SD:pam 82 0.1424 0.8614 8.76e-11 3
#> CV:pam 113 0.2781 0.8736 9.29e-05 3
#> MAD:pam 127 0.1628 0.3528 2.04e-03 3
#> ATC:pam 122 0.8472 0.1248 6.68e-01 3
#> SD:hclust 93 0.3565 0.9512 3.70e-11 3
#> CV:hclust 93 0.3031 0.7661 1.34e-05 3
#> MAD:hclust 109 0.4457 0.9576 3.01e-07 3
#> ATC:hclust 113 0.9242 0.2654 7.30e-01 3
test_to_known_factors(res_list, k = 4)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 125 0.244 0.5986 1.10e-18 4
#> CV:NMF 126 0.296 0.6091 4.09e-19 4
#> MAD:NMF 123 0.288 0.7292 1.55e-18 4
#> ATC:NMF 78 0.691 0.0518 2.05e-01 4
#> SD:skmeans 126 0.214 0.7031 1.09e-20 4
#> CV:skmeans 124 0.283 0.6779 8.91e-20 4
#> MAD:skmeans 126 0.238 0.5973 7.68e-19 4
#> ATC:skmeans 84 0.999 0.4114 5.99e-01 4
#> SD:mclust 127 0.108 0.5993 5.41e-22 4
#> CV:mclust 127 0.172 0.5957 8.78e-22 4
#> MAD:mclust 127 0.107 0.5635 1.06e-21 4
#> ATC:mclust 124 0.750 0.1087 3.93e-01 4
#> SD:kmeans 126 0.163 0.7028 2.24e-20 4
#> CV:kmeans 124 0.231 0.7024 1.44e-19 4
#> MAD:kmeans 126 0.221 0.6258 4.90e-20 4
#> ATC:kmeans 103 0.981 0.1789 6.61e-01 4
#> SD:pam 118 0.480 0.9675 2.87e-15 4
#> CV:pam 122 0.557 0.8073 4.47e-15 4
#> MAD:pam 120 0.390 0.9414 1.29e-14 4
#> ATC:pam 114 0.565 0.4788 4.17e-01 4
#> SD:hclust 105 0.652 0.9713 6.76e-17 4
#> CV:hclust 68 0.159 0.4262 1.59e-03 4
#> MAD:hclust 73 0.545 0.2101 1.20e-08 4
#> ATC:hclust 103 0.745 0.1740 9.48e-01 4
test_to_known_factors(res_list, k = 5)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 116 0.341 0.4134 2.03e-14 5
#> CV:NMF 109 0.319 0.7587 5.65e-13 5
#> MAD:NMF 111 0.273 0.6328 9.14e-14 5
#> ATC:NMF 74 0.512 0.1193 2.27e-02 5
#> SD:skmeans 109 0.347 0.8395 3.71e-16 5
#> CV:skmeans 116 0.294 0.7523 1.01e-14 5
#> MAD:skmeans 103 0.455 0.8584 6.71e-14 5
#> ATC:skmeans 84 0.587 0.0299 5.48e-02 5
#> SD:mclust 124 0.151 0.6504 1.03e-21 5
#> CV:mclust 128 0.157 0.5233 1.21e-21 5
#> MAD:mclust 124 0.185 0.6576 4.90e-21 5
#> ATC:mclust 122 0.844 0.1647 2.54e-01 5
#> SD:kmeans 117 0.334 0.7231 2.36e-18 5
#> CV:kmeans 114 0.299 0.6231 8.94e-18 5
#> MAD:kmeans 111 0.520 0.5867 1.87e-17 5
#> ATC:kmeans 78 0.982 0.7164 8.99e-01 5
#> SD:pam 112 0.571 0.7498 1.27e-14 5
#> CV:pam 112 0.633 0.8560 1.19e-14 5
#> MAD:pam 122 0.414 0.7787 8.08e-14 5
#> ATC:pam 115 0.840 0.1963 4.65e-01 5
#> SD:hclust 100 0.695 0.9463 4.01e-14 5
#> CV:hclust 87 0.327 0.6248 8.10e-14 5
#> MAD:hclust 98 0.515 0.9265 2.85e-12 5
#> ATC:hclust 106 0.960 0.1760 6.69e-01 5
test_to_known_factors(res_list, k = 6)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 107 0.182 0.0574 5.56e-14 6
#> CV:NMF 106 0.603 0.5086 9.06e-14 6
#> MAD:NMF 104 0.351 0.6817 6.27e-14 6
#> ATC:NMF 93 0.145 0.8612 8.66e-02 6
#> SD:skmeans 96 0.361 0.9330 3.05e-11 6
#> CV:skmeans 100 0.346 0.8964 2.52e-13 6
#> MAD:skmeans 106 0.434 0.7933 4.34e-15 6
#> ATC:skmeans 95 0.876 0.0727 5.10e-02 6
#> SD:mclust 116 0.538 0.8531 5.08e-17 6
#> CV:mclust 96 0.364 0.7837 1.94e-12 6
#> MAD:mclust 106 0.565 0.9164 2.76e-14 6
#> ATC:mclust 111 0.921 0.4179 6.00e-01 6
#> SD:kmeans 74 0.536 0.9291 1.98e-10 6
#> CV:kmeans 94 0.336 0.7217 1.02e-13 6
#> MAD:kmeans 88 0.456 0.4170 9.08e-13 6
#> ATC:kmeans 77 0.947 0.0195 1.78e-01 6
#> SD:pam 96 0.706 0.2353 2.07e-15 6
#> CV:pam 103 0.509 0.7649 1.38e-22 6
#> MAD:pam 120 0.625 0.8731 6.31e-13 6
#> ATC:pam 106 0.712 0.3668 4.33e-01 6
#> SD:hclust 87 0.600 0.9387 1.45e-09 6
#> CV:hclust 87 0.452 0.7627 7.69e-13 6
#> MAD:hclust 81 0.770 0.7768 9.34e-11 6
#> ATC:hclust 100 0.987 0.1405 7.62e-01 6
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "hclust"]
# you can also extract it by
# res = res_list["SD:hclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.786 0.915 0.949 0.3333 0.674 0.674
#> 3 3 0.306 0.620 0.767 0.7742 0.684 0.532
#> 4 4 0.459 0.585 0.711 0.2048 0.851 0.606
#> 5 5 0.547 0.608 0.729 0.0865 0.950 0.812
#> 6 6 0.645 0.558 0.702 0.0502 0.972 0.879
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.0376 0.957 0.004 0.996
#> 01010 1 0.0938 0.903 0.988 0.012
#> 03002 2 0.0000 0.957 0.000 1.000
#> 04006 1 0.0000 0.902 1.000 0.000
#> 04007 2 0.0000 0.957 0.000 1.000
#> 04008 1 0.9775 0.411 0.588 0.412
#> 04010 1 0.0000 0.902 1.000 0.000
#> 04016 2 0.0672 0.957 0.008 0.992
#> 06002 2 0.2423 0.948 0.040 0.960
#> 08001 2 0.0000 0.957 0.000 1.000
#> 08011 2 0.0376 0.957 0.004 0.996
#> 08012 2 0.0938 0.956 0.012 0.988
#> 08018 2 0.2778 0.947 0.048 0.952
#> 08024 2 0.1633 0.954 0.024 0.976
#> 09008 1 0.6247 0.841 0.844 0.156
#> 09017 2 0.0938 0.957 0.012 0.988
#> 11005 2 0.0000 0.957 0.000 1.000
#> 12006 2 0.2043 0.953 0.032 0.968
#> 12007 2 0.0376 0.957 0.004 0.996
#> 12012 2 0.2043 0.952 0.032 0.968
#> 12019 2 0.0672 0.957 0.008 0.992
#> 12026 2 0.2603 0.947 0.044 0.956
#> 14016 2 0.2236 0.951 0.036 0.964
#> 15001 2 0.1843 0.952 0.028 0.972
#> 15004 2 0.3114 0.942 0.056 0.944
#> 15005 1 0.6247 0.841 0.844 0.156
#> 16004 1 0.9286 0.550 0.656 0.344
#> 16009 1 0.0000 0.902 1.000 0.000
#> 19005 1 0.9286 0.550 0.656 0.344
#> 20002 1 0.5842 0.852 0.860 0.140
#> 22009 2 0.4298 0.918 0.088 0.912
#> 22010 2 0.5059 0.901 0.112 0.888
#> 22011 2 0.0938 0.956 0.012 0.988
#> 22013 2 0.2423 0.949 0.040 0.960
#> 24001 2 0.0938 0.956 0.012 0.988
#> 24005 2 0.2043 0.953 0.032 0.968
#> 24008 2 0.1843 0.952 0.028 0.972
#> 24010 2 0.2043 0.953 0.032 0.968
#> 24011 2 0.1414 0.956 0.020 0.980
#> 24017 1 0.2778 0.901 0.952 0.048
#> 24018 2 0.9000 0.572 0.316 0.684
#> 24019 1 0.0000 0.902 1.000 0.000
#> 24022 2 0.0000 0.957 0.000 1.000
#> 25003 2 0.0376 0.957 0.004 0.996
#> 25006 1 0.0000 0.902 1.000 0.000
#> 26001 2 0.2423 0.948 0.040 0.960
#> 26003 2 0.0376 0.957 0.004 0.996
#> 26005 2 0.1184 0.956 0.016 0.984
#> 26008 1 0.0000 0.902 1.000 0.000
#> 27003 2 0.7299 0.790 0.204 0.796
#> 27004 2 0.0376 0.957 0.004 0.996
#> 28001 2 0.7883 0.741 0.236 0.764
#> 28003 2 0.4161 0.925 0.084 0.916
#> 28005 2 0.0376 0.957 0.004 0.996
#> 28006 2 0.4022 0.920 0.080 0.920
#> 28007 2 0.0000 0.957 0.000 1.000
#> 28019 1 0.5059 0.881 0.888 0.112
#> 28021 1 0.5059 0.881 0.888 0.112
#> 28023 2 0.2423 0.950 0.040 0.960
#> 28024 2 0.0000 0.957 0.000 1.000
#> 28028 2 0.0000 0.957 0.000 1.000
#> 28031 2 0.2423 0.950 0.040 0.960
#> 28032 2 0.0000 0.957 0.000 1.000
#> 28035 1 0.5059 0.881 0.888 0.112
#> 28036 2 0.0000 0.957 0.000 1.000
#> 28037 1 0.4298 0.891 0.912 0.088
#> 28042 2 0.3584 0.936 0.068 0.932
#> 28043 2 0.0000 0.957 0.000 1.000
#> 28044 2 0.6247 0.843 0.156 0.844
#> 28047 2 0.0672 0.957 0.008 0.992
#> 30001 1 0.5059 0.881 0.888 0.112
#> 31007 2 0.3114 0.942 0.056 0.944
#> 31011 2 0.0938 0.957 0.012 0.988
#> 33005 1 0.0000 0.902 1.000 0.000
#> 36001 1 0.2948 0.901 0.948 0.052
#> 36002 2 0.0000 0.957 0.000 1.000
#> 37013 2 0.2423 0.950 0.040 0.960
#> 43001 2 0.2603 0.949 0.044 0.956
#> 43004 2 0.7745 0.742 0.228 0.772
#> 43007 2 0.0376 0.957 0.004 0.996
#> 43012 2 0.2423 0.950 0.040 0.960
#> 48001 1 0.4298 0.892 0.912 0.088
#> 49006 2 0.0000 0.957 0.000 1.000
#> 57001 2 0.4161 0.924 0.084 0.916
#> 62001 2 0.6623 0.821 0.172 0.828
#> 62002 2 0.0938 0.957 0.012 0.988
#> 62003 2 0.9087 0.554 0.324 0.676
#> 63001 2 0.0376 0.957 0.004 0.996
#> 64001 2 0.0376 0.957 0.004 0.996
#> 64002 1 0.0000 0.902 1.000 0.000
#> 65005 2 0.0000 0.957 0.000 1.000
#> 68001 1 0.0000 0.902 1.000 0.000
#> 68003 2 0.0376 0.957 0.004 0.996
#> 84004 2 0.0000 0.957 0.000 1.000
#> LAL5 2 0.3879 0.931 0.076 0.924
#> 01003 2 0.2236 0.949 0.036 0.964
#> 01007 2 0.3879 0.925 0.076 0.924
#> 02020 2 0.4298 0.916 0.088 0.912
#> 04018 2 0.4022 0.922 0.080 0.920
#> 09002 2 0.0000 0.957 0.000 1.000
#> 10005 2 0.0000 0.957 0.000 1.000
#> 11002 2 0.0000 0.957 0.000 1.000
#> 12008 2 0.0000 0.957 0.000 1.000
#> 15006 1 0.0000 0.902 1.000 0.000
#> 16002 2 0.1843 0.952 0.028 0.972
#> 16007 2 0.0000 0.957 0.000 1.000
#> 17003 2 0.4298 0.916 0.088 0.912
#> 18001 2 0.0000 0.957 0.000 1.000
#> 19002 2 0.4022 0.922 0.080 0.920
#> 19008 2 0.0000 0.957 0.000 1.000
#> 19014 2 0.4298 0.916 0.088 0.912
#> 19017 2 0.0000 0.957 0.000 1.000
#> 20005 2 0.0000 0.957 0.000 1.000
#> 24006 2 0.4022 0.922 0.080 0.920
#> 26009 1 0.0000 0.902 1.000 0.000
#> 28008 2 0.0000 0.957 0.000 1.000
#> 28009 2 0.4022 0.922 0.080 0.920
#> 31015 2 0.0938 0.956 0.012 0.988
#> 37001 2 0.4022 0.922 0.080 0.920
#> 43006 2 0.0000 0.957 0.000 1.000
#> 43015 2 0.0000 0.957 0.000 1.000
#> 44001 2 0.2236 0.949 0.036 0.964
#> 49004 2 0.0000 0.957 0.000 1.000
#> 56007 2 0.0000 0.957 0.000 1.000
#> 64005 2 0.0000 0.957 0.000 1.000
#> 65003 2 0.3584 0.930 0.068 0.932
#> 83001 2 0.4022 0.922 0.080 0.920
#> LAL4 2 0.4298 0.916 0.088 0.912
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.1399 0.7436 0.004 0.028 0.968
#> 01010 1 0.0592 0.8839 0.988 0.000 0.012
#> 03002 3 0.4178 0.7088 0.000 0.172 0.828
#> 04006 1 0.0000 0.8836 1.000 0.000 0.000
#> 04007 3 0.6095 0.2329 0.000 0.392 0.608
#> 04008 1 0.6168 0.3957 0.588 0.000 0.412
#> 04010 1 0.0000 0.8836 1.000 0.000 0.000
#> 04016 3 0.6018 0.4896 0.008 0.308 0.684
#> 06002 3 0.2443 0.7345 0.028 0.032 0.940
#> 08001 3 0.5988 0.2756 0.000 0.368 0.632
#> 08011 3 0.1399 0.7436 0.004 0.028 0.968
#> 08012 3 0.4589 0.7078 0.008 0.172 0.820
#> 08018 3 0.3933 0.7282 0.028 0.092 0.880
#> 08024 3 0.1774 0.7481 0.016 0.024 0.960
#> 09008 1 0.5558 0.7987 0.800 0.048 0.152
#> 09017 3 0.4654 0.6986 0.000 0.208 0.792
#> 11005 3 0.4178 0.7131 0.000 0.172 0.828
#> 12006 3 0.5115 0.7073 0.016 0.188 0.796
#> 12007 3 0.1399 0.7436 0.004 0.028 0.968
#> 12012 3 0.2176 0.7366 0.020 0.032 0.948
#> 12019 3 0.3193 0.7420 0.004 0.100 0.896
#> 12026 3 0.2564 0.7302 0.028 0.036 0.936
#> 14016 3 0.2414 0.7337 0.020 0.040 0.940
#> 15001 3 0.1919 0.7461 0.020 0.024 0.956
#> 15004 2 0.6769 0.4563 0.016 0.592 0.392
#> 15005 1 0.5558 0.7987 0.800 0.048 0.152
#> 16004 1 0.8186 0.5016 0.604 0.104 0.292
#> 16009 1 0.0000 0.8836 1.000 0.000 0.000
#> 19005 1 0.8186 0.5016 0.604 0.104 0.292
#> 20002 1 0.3686 0.8312 0.860 0.000 0.140
#> 22009 3 0.6158 0.6681 0.052 0.188 0.760
#> 22010 2 0.7671 0.3968 0.052 0.568 0.380
#> 22011 3 0.4589 0.7097 0.008 0.172 0.820
#> 22013 3 0.2636 0.7246 0.020 0.048 0.932
#> 24001 3 0.4700 0.7033 0.008 0.180 0.812
#> 24005 2 0.6675 0.4818 0.012 0.584 0.404
#> 24008 3 0.1919 0.7461 0.020 0.024 0.956
#> 24010 3 0.5115 0.7073 0.016 0.188 0.796
#> 24011 3 0.1525 0.7377 0.004 0.032 0.964
#> 24017 1 0.1753 0.8792 0.952 0.000 0.048
#> 24018 3 0.9626 0.3138 0.268 0.260 0.472
#> 24019 1 0.0000 0.8836 1.000 0.000 0.000
#> 24022 2 0.6295 0.3669 0.000 0.528 0.472
#> 25003 3 0.3340 0.7346 0.000 0.120 0.880
#> 25006 1 0.0000 0.8836 1.000 0.000 0.000
#> 26001 3 0.2443 0.7345 0.028 0.032 0.940
#> 26003 2 0.6305 0.3411 0.000 0.516 0.484
#> 26005 3 0.1525 0.7392 0.004 0.032 0.964
#> 26008 1 0.0000 0.8836 1.000 0.000 0.000
#> 27003 3 0.9082 0.1642 0.140 0.392 0.468
#> 27004 2 0.6260 0.4237 0.000 0.552 0.448
#> 28001 3 0.9319 0.2357 0.168 0.368 0.464
#> 28003 2 0.7567 0.4894 0.048 0.576 0.376
#> 28005 2 0.6305 0.3258 0.000 0.516 0.484
#> 28006 2 0.7883 0.1717 0.056 0.516 0.428
#> 28007 2 0.6192 0.4739 0.000 0.580 0.420
#> 28019 1 0.4519 0.8472 0.852 0.032 0.116
#> 28021 1 0.4519 0.8472 0.852 0.032 0.116
#> 28023 2 0.6783 0.4892 0.016 0.588 0.396
#> 28024 2 0.6192 0.4739 0.000 0.580 0.420
#> 28028 2 0.6168 0.5016 0.000 0.588 0.412
#> 28031 2 0.6783 0.4892 0.016 0.588 0.396
#> 28032 2 0.6168 0.5016 0.000 0.588 0.412
#> 28035 1 0.4519 0.8472 0.852 0.032 0.116
#> 28036 2 0.6274 0.4114 0.000 0.544 0.456
#> 28037 1 0.4056 0.8616 0.876 0.032 0.092
#> 28042 2 0.7030 0.4438 0.024 0.580 0.396
#> 28043 3 0.6302 -0.2248 0.000 0.480 0.520
#> 28044 2 0.8812 0.4223 0.124 0.516 0.360
#> 28047 2 0.6180 0.4788 0.000 0.584 0.416
#> 30001 1 0.4519 0.8472 0.852 0.032 0.116
#> 31007 2 0.6769 0.4563 0.016 0.592 0.392
#> 31011 2 0.6500 0.3695 0.004 0.532 0.464
#> 33005 1 0.0000 0.8836 1.000 0.000 0.000
#> 36001 1 0.3134 0.8759 0.916 0.032 0.052
#> 36002 3 0.5431 0.5435 0.000 0.284 0.716
#> 37013 3 0.5708 0.6652 0.028 0.204 0.768
#> 43001 3 0.5726 0.6769 0.024 0.216 0.760
#> 43004 2 0.9389 0.2590 0.180 0.468 0.352
#> 43007 3 0.5480 0.5834 0.004 0.264 0.732
#> 43012 2 0.6769 0.4916 0.016 0.592 0.392
#> 48001 1 0.4092 0.8637 0.876 0.036 0.088
#> 49006 3 0.1163 0.7428 0.000 0.028 0.972
#> 57001 2 0.7499 0.5056 0.048 0.592 0.360
#> 62001 2 0.8987 0.4035 0.144 0.516 0.340
#> 62002 3 0.6617 0.0242 0.008 0.436 0.556
#> 62003 3 0.9665 0.3026 0.276 0.260 0.464
#> 63001 3 0.5656 0.5370 0.004 0.284 0.712
#> 64001 3 0.1399 0.7436 0.004 0.028 0.968
#> 64002 1 0.0000 0.8836 1.000 0.000 0.000
#> 65005 3 0.1163 0.7428 0.000 0.028 0.972
#> 68001 1 0.0000 0.8836 1.000 0.000 0.000
#> 68003 3 0.3752 0.7260 0.000 0.144 0.856
#> 84004 3 0.6154 0.1703 0.000 0.408 0.592
#> LAL5 2 0.7459 0.4974 0.044 0.584 0.372
#> 01003 2 0.3573 0.6796 0.004 0.876 0.120
#> 01007 2 0.4295 0.6683 0.032 0.864 0.104
#> 02020 2 0.4056 0.6458 0.032 0.876 0.092
#> 04018 2 0.4217 0.6667 0.032 0.868 0.100
#> 09002 2 0.3941 0.6604 0.000 0.844 0.156
#> 10005 2 0.6260 0.1641 0.000 0.552 0.448
#> 11002 2 0.3551 0.6657 0.000 0.868 0.132
#> 12008 2 0.3941 0.6641 0.000 0.844 0.156
#> 15006 1 0.0000 0.8836 1.000 0.000 0.000
#> 16002 2 0.3644 0.6807 0.004 0.872 0.124
#> 16007 2 0.3879 0.6623 0.000 0.848 0.152
#> 17003 2 0.4056 0.6458 0.032 0.876 0.092
#> 18001 2 0.3752 0.6653 0.000 0.856 0.144
#> 19002 2 0.4217 0.6667 0.032 0.868 0.100
#> 19008 2 0.4002 0.6543 0.000 0.840 0.160
#> 19014 2 0.4056 0.6458 0.032 0.876 0.092
#> 19017 2 0.3879 0.6623 0.000 0.848 0.152
#> 20005 2 0.3879 0.6598 0.000 0.848 0.152
#> 24006 2 0.4217 0.6667 0.032 0.868 0.100
#> 26009 1 0.0000 0.8836 1.000 0.000 0.000
#> 28008 2 0.3551 0.6657 0.000 0.868 0.132
#> 28009 2 0.4217 0.6667 0.032 0.868 0.100
#> 31015 2 0.3619 0.6776 0.000 0.864 0.136
#> 37001 2 0.4217 0.6667 0.032 0.868 0.100
#> 43006 2 0.4002 0.6543 0.000 0.840 0.160
#> 43015 2 0.3941 0.6641 0.000 0.844 0.156
#> 44001 2 0.3573 0.6796 0.004 0.876 0.120
#> 49004 2 0.3879 0.6623 0.000 0.848 0.152
#> 56007 2 0.4002 0.6543 0.000 0.840 0.160
#> 64005 2 0.3941 0.6641 0.000 0.844 0.156
#> 65003 2 0.4324 0.6733 0.028 0.860 0.112
#> 83001 2 0.4295 0.6670 0.032 0.864 0.104
#> LAL4 2 0.4056 0.6458 0.032 0.876 0.092
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0895 0.6966 0.000 0.004 0.976 0.020
#> 01010 1 0.0657 0.8617 0.984 0.000 0.004 0.012
#> 03002 3 0.6336 0.5260 0.000 0.088 0.608 0.304
#> 04006 1 0.0188 0.8623 0.996 0.000 0.000 0.004
#> 04007 3 0.7823 -0.2134 0.000 0.272 0.408 0.320
#> 04008 1 0.5847 0.3302 0.560 0.000 0.404 0.036
#> 04010 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 04016 3 0.7252 0.2047 0.000 0.224 0.544 0.232
#> 06002 3 0.3105 0.6849 0.004 0.000 0.856 0.140
#> 08001 3 0.7808 -0.2521 0.000 0.256 0.400 0.344
#> 08011 3 0.0895 0.6966 0.000 0.004 0.976 0.020
#> 08012 3 0.6344 0.5023 0.000 0.128 0.648 0.224
#> 08018 3 0.5269 0.6045 0.012 0.016 0.692 0.280
#> 08024 3 0.3032 0.7010 0.000 0.008 0.868 0.124
#> 09008 1 0.5334 0.7513 0.680 0.000 0.036 0.284
#> 09017 3 0.6607 0.4147 0.000 0.088 0.536 0.376
#> 11005 3 0.6316 0.5011 0.000 0.080 0.596 0.324
#> 12006 3 0.6121 0.5339 0.000 0.072 0.620 0.308
#> 12007 3 0.0895 0.6966 0.000 0.004 0.976 0.020
#> 12012 3 0.3208 0.6905 0.004 0.000 0.848 0.148
#> 12019 3 0.3342 0.6938 0.000 0.032 0.868 0.100
#> 12026 3 0.3257 0.6828 0.004 0.000 0.844 0.152
#> 14016 3 0.3306 0.6878 0.004 0.000 0.840 0.156
#> 15001 3 0.2466 0.6981 0.000 0.004 0.900 0.096
#> 15004 4 0.7393 0.6113 0.004 0.352 0.152 0.492
#> 15005 1 0.5334 0.7513 0.680 0.000 0.036 0.284
#> 16004 1 0.7107 0.4842 0.528 0.004 0.124 0.344
#> 16009 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 19005 1 0.7107 0.4842 0.528 0.004 0.124 0.344
#> 20002 1 0.3694 0.7905 0.844 0.000 0.124 0.032
#> 22009 3 0.5835 0.5283 0.008 0.028 0.608 0.356
#> 22010 4 0.6830 0.5274 0.008 0.256 0.124 0.612
#> 22011 3 0.6390 0.5055 0.000 0.132 0.644 0.224
#> 22013 3 0.3808 0.6842 0.004 0.004 0.808 0.184
#> 24001 3 0.6509 0.4857 0.000 0.140 0.632 0.228
#> 24005 2 0.7314 -0.6126 0.000 0.424 0.152 0.424
#> 24008 3 0.2466 0.6981 0.000 0.004 0.900 0.096
#> 24010 3 0.6121 0.5339 0.000 0.072 0.620 0.308
#> 24011 3 0.2589 0.6978 0.000 0.000 0.884 0.116
#> 24017 1 0.1820 0.8528 0.944 0.000 0.036 0.020
#> 24018 4 0.7977 0.0925 0.168 0.044 0.236 0.552
#> 24019 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 24022 4 0.7399 0.5519 0.000 0.416 0.164 0.420
#> 25003 3 0.4562 0.6699 0.000 0.056 0.792 0.152
#> 25006 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 26001 3 0.3105 0.6849 0.004 0.000 0.856 0.140
#> 26003 4 0.7368 0.5987 0.000 0.376 0.164 0.460
#> 26005 3 0.2469 0.6974 0.000 0.000 0.892 0.108
#> 26008 1 0.0188 0.8623 0.996 0.000 0.000 0.004
#> 27003 4 0.5577 0.3952 0.040 0.068 0.124 0.768
#> 27004 4 0.6830 0.6191 0.000 0.388 0.104 0.508
#> 28001 4 0.4800 0.3167 0.044 0.024 0.128 0.804
#> 28003 4 0.6731 0.6038 0.012 0.336 0.076 0.576
#> 28005 4 0.7046 0.6492 0.000 0.340 0.136 0.524
#> 28006 4 0.7371 0.5222 0.020 0.316 0.116 0.548
#> 28007 4 0.6843 0.5887 0.000 0.440 0.100 0.460
#> 28019 1 0.4853 0.8047 0.744 0.000 0.036 0.220
#> 28021 1 0.4853 0.8047 0.744 0.000 0.036 0.220
#> 28023 4 0.6668 0.6188 0.000 0.380 0.092 0.528
#> 28024 4 0.6843 0.5887 0.000 0.440 0.100 0.460
#> 28028 2 0.6857 -0.5213 0.000 0.492 0.104 0.404
#> 28031 4 0.6668 0.6188 0.000 0.380 0.092 0.528
#> 28032 2 0.6857 -0.5213 0.000 0.492 0.104 0.404
#> 28035 1 0.4853 0.8047 0.744 0.000 0.036 0.220
#> 28036 4 0.7113 0.5648 0.000 0.416 0.128 0.456
#> 28037 1 0.4365 0.8213 0.784 0.000 0.028 0.188
#> 28042 4 0.6654 0.6237 0.000 0.296 0.116 0.588
#> 28043 4 0.7506 0.6091 0.000 0.308 0.208 0.484
#> 28044 4 0.6943 0.5927 0.044 0.324 0.048 0.584
#> 28047 4 0.6532 0.5995 0.000 0.420 0.076 0.504
#> 30001 1 0.4853 0.8047 0.744 0.000 0.036 0.220
#> 31007 4 0.7393 0.6113 0.004 0.352 0.152 0.492
#> 31011 4 0.7249 0.6318 0.000 0.348 0.156 0.496
#> 33005 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 36001 1 0.3606 0.8393 0.840 0.000 0.020 0.140
#> 36002 3 0.7341 0.2276 0.000 0.192 0.516 0.292
#> 37013 3 0.6924 0.4910 0.012 0.096 0.576 0.316
#> 43001 3 0.6468 0.4710 0.004 0.072 0.576 0.348
#> 43004 4 0.7441 0.5459 0.068 0.244 0.080 0.608
#> 43007 3 0.6634 0.4110 0.000 0.164 0.624 0.212
#> 43012 4 0.6658 0.6193 0.000 0.376 0.092 0.532
#> 48001 1 0.4417 0.8261 0.796 0.000 0.044 0.160
#> 49006 3 0.2125 0.6909 0.000 0.004 0.920 0.076
#> 57001 4 0.6860 0.5400 0.004 0.352 0.100 0.544
#> 62001 4 0.7336 0.5701 0.060 0.336 0.052 0.552
#> 62002 4 0.7725 0.4954 0.004 0.252 0.260 0.484
#> 62003 4 0.7732 0.1557 0.172 0.044 0.196 0.588
#> 63001 3 0.6810 0.4354 0.000 0.248 0.596 0.156
#> 64001 3 0.0895 0.6966 0.000 0.004 0.976 0.020
#> 64002 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 65005 3 0.1576 0.6937 0.000 0.004 0.948 0.048
#> 68001 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 68003 3 0.5907 0.5859 0.000 0.092 0.680 0.228
#> 84004 4 0.7884 0.3016 0.000 0.284 0.356 0.360
#> LAL5 4 0.6975 0.6131 0.012 0.316 0.100 0.572
#> 01003 2 0.4086 0.6470 0.000 0.776 0.008 0.216
#> 01007 2 0.4786 0.6331 0.004 0.688 0.004 0.304
#> 02020 2 0.5285 0.5944 0.004 0.632 0.012 0.352
#> 04018 2 0.4854 0.6278 0.004 0.676 0.004 0.316
#> 09002 2 0.1820 0.6696 0.000 0.944 0.020 0.036
#> 10005 2 0.6286 0.0674 0.000 0.552 0.384 0.064
#> 11002 2 0.1305 0.6693 0.000 0.960 0.004 0.036
#> 12008 2 0.1724 0.6731 0.000 0.948 0.020 0.032
#> 15006 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 16002 2 0.3831 0.6487 0.000 0.792 0.004 0.204
#> 16007 2 0.1610 0.6722 0.000 0.952 0.016 0.032
#> 17003 2 0.5285 0.5944 0.004 0.632 0.012 0.352
#> 18001 2 0.0779 0.6738 0.000 0.980 0.004 0.016
#> 19002 2 0.4876 0.6257 0.004 0.672 0.004 0.320
#> 19008 2 0.1510 0.6453 0.000 0.956 0.016 0.028
#> 19014 2 0.5285 0.5944 0.004 0.632 0.012 0.352
#> 19017 2 0.1624 0.6716 0.000 0.952 0.020 0.028
#> 20005 2 0.1256 0.6569 0.000 0.964 0.008 0.028
#> 24006 2 0.4854 0.6278 0.004 0.676 0.004 0.316
#> 26009 1 0.0000 0.8621 1.000 0.000 0.000 0.000
#> 28008 2 0.1305 0.6693 0.000 0.960 0.004 0.036
#> 28009 2 0.4876 0.6257 0.004 0.672 0.004 0.320
#> 31015 2 0.2342 0.6727 0.000 0.912 0.008 0.080
#> 37001 2 0.4876 0.6257 0.004 0.672 0.004 0.320
#> 43006 2 0.1510 0.6453 0.000 0.956 0.016 0.028
#> 43015 2 0.1724 0.6731 0.000 0.948 0.020 0.032
#> 44001 2 0.4086 0.6470 0.000 0.776 0.008 0.216
#> 49004 2 0.1610 0.6722 0.000 0.952 0.016 0.032
#> 56007 2 0.1510 0.6453 0.000 0.956 0.016 0.028
#> 64005 2 0.1724 0.6731 0.000 0.948 0.020 0.032
#> 65003 2 0.4722 0.6318 0.000 0.692 0.008 0.300
#> 83001 2 0.4897 0.6216 0.004 0.668 0.004 0.324
#> LAL4 2 0.5285 0.5944 0.004 0.632 0.012 0.352
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0566 0.647 0.000 0.000 0.984 0.004 0.012
#> 01010 1 0.0671 0.805 0.980 0.000 0.000 0.004 0.016
#> 03002 3 0.6492 0.437 0.000 0.008 0.516 0.304 0.172
#> 04006 1 0.0162 0.806 0.996 0.000 0.000 0.000 0.004
#> 04007 4 0.5449 0.213 0.000 0.024 0.376 0.572 0.028
#> 04008 1 0.5447 0.217 0.560 0.000 0.384 0.008 0.048
#> 04010 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.5620 0.167 0.000 0.020 0.504 0.440 0.036
#> 06002 3 0.3719 0.596 0.004 0.000 0.776 0.012 0.208
#> 08001 4 0.5713 0.242 0.000 0.024 0.372 0.560 0.044
#> 08011 3 0.0566 0.647 0.000 0.000 0.984 0.004 0.012
#> 08012 3 0.5383 0.436 0.000 0.012 0.596 0.348 0.044
#> 08018 3 0.6211 0.404 0.008 0.000 0.572 0.156 0.264
#> 08024 3 0.3904 0.634 0.000 0.000 0.792 0.052 0.156
#> 09008 1 0.5418 0.602 0.644 0.008 0.012 0.044 0.292
#> 09017 3 0.6848 0.317 0.000 0.008 0.444 0.316 0.232
#> 11005 3 0.6430 0.398 0.000 0.004 0.504 0.320 0.172
#> 12006 3 0.6292 0.493 0.000 0.008 0.572 0.224 0.196
#> 12007 3 0.0566 0.647 0.000 0.000 0.984 0.004 0.012
#> 12012 3 0.3935 0.610 0.004 0.000 0.772 0.024 0.200
#> 12019 3 0.3802 0.647 0.000 0.004 0.820 0.096 0.080
#> 12026 3 0.3970 0.591 0.004 0.004 0.760 0.012 0.220
#> 14016 3 0.4123 0.605 0.004 0.004 0.764 0.024 0.204
#> 15001 3 0.2886 0.633 0.000 0.000 0.844 0.008 0.148
#> 15004 4 0.5676 0.536 0.000 0.052 0.044 0.656 0.248
#> 15005 1 0.5418 0.602 0.644 0.008 0.012 0.044 0.292
#> 16004 1 0.7378 0.262 0.508 0.024 0.044 0.120 0.304
#> 16009 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.7378 0.262 0.508 0.024 0.044 0.120 0.304
#> 20002 1 0.3356 0.701 0.844 0.000 0.120 0.012 0.024
#> 22009 3 0.5760 0.276 0.000 0.016 0.512 0.052 0.420
#> 22010 4 0.6621 0.276 0.000 0.100 0.036 0.496 0.368
#> 22011 3 0.5433 0.444 0.000 0.012 0.596 0.344 0.048
#> 22013 3 0.4395 0.588 0.004 0.004 0.728 0.024 0.240
#> 24001 3 0.5459 0.428 0.000 0.012 0.588 0.352 0.048
#> 24005 4 0.4905 0.636 0.000 0.044 0.056 0.756 0.144
#> 24008 3 0.2886 0.633 0.000 0.000 0.844 0.008 0.148
#> 24010 3 0.6292 0.493 0.000 0.008 0.572 0.224 0.196
#> 24011 3 0.3086 0.625 0.000 0.000 0.816 0.004 0.180
#> 24017 1 0.1673 0.789 0.944 0.000 0.032 0.008 0.016
#> 24018 5 0.7662 0.719 0.132 0.040 0.144 0.108 0.576
#> 24019 1 0.0162 0.806 0.996 0.000 0.000 0.000 0.004
#> 24022 4 0.4943 0.605 0.000 0.100 0.088 0.764 0.048
#> 25003 3 0.4741 0.623 0.000 0.008 0.740 0.176 0.076
#> 25006 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.3719 0.596 0.004 0.000 0.776 0.012 0.208
#> 26003 4 0.5276 0.630 0.000 0.080 0.096 0.744 0.080
#> 26005 3 0.3010 0.626 0.000 0.000 0.824 0.004 0.172
#> 26008 1 0.0162 0.806 0.996 0.000 0.000 0.000 0.004
#> 27003 5 0.4414 0.600 0.004 0.016 0.012 0.236 0.732
#> 27004 4 0.2338 0.675 0.000 0.016 0.032 0.916 0.036
#> 28001 5 0.3115 0.714 0.004 0.008 0.012 0.120 0.856
#> 28003 4 0.4839 0.610 0.008 0.036 0.020 0.740 0.196
#> 28005 4 0.4045 0.659 0.000 0.016 0.052 0.808 0.124
#> 28006 4 0.6312 0.125 0.004 0.096 0.012 0.492 0.396
#> 28007 4 0.2362 0.684 0.000 0.028 0.032 0.916 0.024
#> 28019 1 0.4410 0.684 0.700 0.000 0.008 0.016 0.276
#> 28021 1 0.4410 0.684 0.700 0.000 0.008 0.016 0.276
#> 28023 4 0.3477 0.663 0.000 0.032 0.012 0.840 0.116
#> 28024 4 0.2362 0.684 0.000 0.028 0.032 0.916 0.024
#> 28028 4 0.4108 0.617 0.000 0.116 0.012 0.804 0.068
#> 28031 4 0.3477 0.663 0.000 0.032 0.012 0.840 0.116
#> 28032 4 0.4108 0.617 0.000 0.116 0.012 0.804 0.068
#> 28035 1 0.4410 0.684 0.700 0.000 0.008 0.016 0.276
#> 28036 4 0.4081 0.621 0.000 0.092 0.048 0.820 0.040
#> 28037 1 0.4082 0.714 0.740 0.000 0.008 0.012 0.240
#> 28042 4 0.5001 0.566 0.000 0.040 0.016 0.684 0.260
#> 28043 4 0.4318 0.621 0.000 0.020 0.140 0.788 0.052
#> 28044 4 0.5261 0.520 0.016 0.032 0.008 0.660 0.284
#> 28047 4 0.2693 0.681 0.000 0.028 0.016 0.896 0.060
#> 30001 1 0.4410 0.684 0.700 0.000 0.008 0.016 0.276
#> 31007 4 0.5676 0.536 0.000 0.052 0.044 0.656 0.248
#> 31011 4 0.5601 0.623 0.000 0.068 0.120 0.716 0.096
#> 33005 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 36001 1 0.3834 0.756 0.820 0.008 0.020 0.016 0.136
#> 36002 3 0.5644 0.184 0.000 0.012 0.480 0.460 0.048
#> 37013 3 0.7168 0.408 0.012 0.024 0.512 0.256 0.196
#> 43001 3 0.6668 0.431 0.004 0.008 0.528 0.244 0.216
#> 43004 4 0.6601 0.163 0.032 0.032 0.040 0.500 0.396
#> 43007 3 0.5185 0.399 0.000 0.008 0.596 0.360 0.036
#> 43012 4 0.3605 0.662 0.000 0.036 0.012 0.832 0.120
#> 48001 1 0.4525 0.733 0.776 0.008 0.032 0.024 0.160
#> 49006 3 0.1872 0.642 0.000 0.000 0.928 0.052 0.020
#> 57001 4 0.5978 0.519 0.000 0.100 0.036 0.648 0.216
#> 62001 4 0.5567 0.493 0.024 0.024 0.020 0.648 0.284
#> 62002 4 0.6216 0.472 0.004 0.032 0.176 0.644 0.144
#> 62003 5 0.7349 0.754 0.136 0.040 0.100 0.116 0.608
#> 63001 3 0.7209 0.337 0.000 0.172 0.544 0.204 0.080
#> 64001 3 0.0451 0.647 0.000 0.000 0.988 0.004 0.008
#> 64002 1 0.0162 0.806 0.996 0.000 0.000 0.000 0.004
#> 65005 3 0.1168 0.646 0.000 0.000 0.960 0.032 0.008
#> 68001 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 68003 3 0.5682 0.549 0.000 0.016 0.640 0.256 0.088
#> 84004 4 0.5300 0.389 0.000 0.024 0.296 0.644 0.036
#> LAL5 4 0.5946 0.574 0.008 0.072 0.044 0.672 0.204
#> 01003 2 0.4610 0.748 0.000 0.740 0.000 0.168 0.092
#> 01007 2 0.5344 0.722 0.000 0.672 0.000 0.164 0.164
#> 02020 2 0.5690 0.682 0.000 0.624 0.000 0.152 0.224
#> 04018 2 0.5478 0.714 0.000 0.656 0.000 0.164 0.180
#> 09002 2 0.3169 0.745 0.000 0.840 0.004 0.140 0.016
#> 10005 2 0.5522 0.173 0.000 0.568 0.376 0.024 0.032
#> 11002 2 0.2864 0.746 0.000 0.852 0.000 0.136 0.012
#> 12008 2 0.3256 0.753 0.000 0.832 0.004 0.148 0.016
#> 15006 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 16002 2 0.4412 0.751 0.000 0.756 0.000 0.164 0.080
#> 16007 2 0.3213 0.751 0.000 0.836 0.004 0.144 0.016
#> 17003 2 0.5690 0.682 0.000 0.624 0.000 0.152 0.224
#> 18001 2 0.2763 0.753 0.000 0.848 0.000 0.148 0.004
#> 19002 2 0.5510 0.712 0.000 0.652 0.000 0.164 0.184
#> 19008 2 0.3197 0.698 0.000 0.836 0.000 0.140 0.024
#> 19014 2 0.5690 0.682 0.000 0.624 0.000 0.152 0.224
#> 19017 2 0.3213 0.751 0.000 0.836 0.004 0.144 0.016
#> 20005 2 0.2886 0.715 0.000 0.844 0.000 0.148 0.008
#> 24006 2 0.5478 0.714 0.000 0.656 0.000 0.164 0.180
#> 26009 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000
#> 28008 2 0.2864 0.746 0.000 0.852 0.000 0.136 0.012
#> 28009 2 0.5510 0.712 0.000 0.652 0.000 0.164 0.184
#> 31015 2 0.3278 0.754 0.000 0.824 0.000 0.156 0.020
#> 37001 2 0.5510 0.712 0.000 0.652 0.000 0.164 0.184
#> 43006 2 0.3197 0.698 0.000 0.836 0.000 0.140 0.024
#> 43015 2 0.3256 0.753 0.000 0.832 0.004 0.148 0.016
#> 44001 2 0.4610 0.748 0.000 0.740 0.000 0.168 0.092
#> 49004 2 0.3213 0.751 0.000 0.836 0.004 0.144 0.016
#> 56007 2 0.3197 0.698 0.000 0.836 0.000 0.140 0.024
#> 64005 2 0.3256 0.753 0.000 0.832 0.004 0.148 0.016
#> 65003 2 0.5546 0.718 0.000 0.648 0.000 0.176 0.176
#> 83001 2 0.5541 0.708 0.000 0.648 0.000 0.164 0.188
#> LAL4 2 0.5690 0.682 0.000 0.624 0.000 0.152 0.224
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0713 0.599 0.000 0.000 0.972 0.000 0.028 0.000
#> 01010 1 0.0603 0.804 0.980 0.000 0.000 0.004 0.000 0.016
#> 03002 3 0.6393 0.382 0.000 0.008 0.492 0.204 0.276 0.020
#> 04006 1 0.0146 0.806 0.996 0.000 0.000 0.000 0.004 0.000
#> 04007 4 0.6074 0.186 0.000 0.016 0.364 0.504 0.092 0.024
#> 04008 1 0.5497 0.269 0.560 0.000 0.256 0.000 0.184 0.000
#> 04010 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 3 0.6090 0.154 0.000 0.016 0.468 0.400 0.096 0.020
#> 06002 3 0.3820 0.503 0.004 0.000 0.660 0.000 0.332 0.004
#> 08001 4 0.5984 0.257 0.000 0.008 0.348 0.516 0.104 0.024
#> 08011 3 0.0713 0.599 0.000 0.000 0.972 0.000 0.028 0.000
#> 08012 3 0.5535 0.386 0.000 0.004 0.584 0.316 0.048 0.048
#> 08018 3 0.6680 0.335 0.004 0.000 0.528 0.164 0.220 0.084
#> 08024 3 0.4072 0.555 0.000 0.000 0.704 0.032 0.260 0.004
#> 09008 1 0.5638 0.590 0.632 0.000 0.008 0.040 0.088 0.232
#> 09017 3 0.7059 0.246 0.000 0.004 0.424 0.220 0.280 0.072
#> 11005 3 0.6338 0.321 0.000 0.004 0.476 0.240 0.264 0.016
#> 12006 3 0.6166 0.455 0.000 0.008 0.568 0.168 0.224 0.032
#> 12007 3 0.0713 0.599 0.000 0.000 0.972 0.000 0.028 0.000
#> 12012 3 0.3850 0.514 0.004 0.000 0.652 0.004 0.340 0.000
#> 12019 3 0.4134 0.596 0.000 0.008 0.768 0.080 0.140 0.004
#> 12026 3 0.3969 0.496 0.004 0.000 0.644 0.000 0.344 0.008
#> 14016 3 0.4000 0.507 0.004 0.000 0.644 0.004 0.344 0.004
#> 15001 3 0.3337 0.554 0.000 0.000 0.736 0.004 0.260 0.000
#> 15004 4 0.6171 0.456 0.000 0.020 0.028 0.592 0.172 0.188
#> 15005 1 0.5638 0.590 0.632 0.000 0.008 0.040 0.088 0.232
#> 16004 1 0.7114 0.317 0.508 0.000 0.028 0.076 0.176 0.212
#> 16009 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 1 0.7114 0.317 0.508 0.000 0.028 0.076 0.176 0.212
#> 20002 1 0.3304 0.719 0.840 0.000 0.068 0.008 0.080 0.004
#> 22009 3 0.5475 0.162 0.000 0.000 0.472 0.024 0.440 0.064
#> 22010 4 0.6667 0.212 0.000 0.028 0.020 0.436 0.152 0.364
#> 22011 3 0.5665 0.392 0.000 0.008 0.584 0.308 0.052 0.048
#> 22013 3 0.4425 0.488 0.004 0.000 0.608 0.004 0.364 0.020
#> 24001 3 0.5705 0.374 0.000 0.008 0.572 0.320 0.052 0.048
#> 24005 4 0.5194 0.596 0.000 0.032 0.036 0.724 0.124 0.084
#> 24008 3 0.3337 0.554 0.000 0.000 0.736 0.004 0.260 0.000
#> 24010 3 0.6166 0.455 0.000 0.008 0.568 0.168 0.224 0.032
#> 24011 3 0.3076 0.560 0.000 0.000 0.760 0.000 0.240 0.000
#> 24017 1 0.1659 0.790 0.940 0.000 0.020 0.008 0.028 0.004
#> 24018 5 0.7905 0.708 0.128 0.000 0.120 0.068 0.420 0.264
#> 24019 1 0.0260 0.805 0.992 0.000 0.000 0.000 0.008 0.000
#> 24022 4 0.5899 0.571 0.000 0.080 0.056 0.676 0.132 0.056
#> 25003 3 0.4551 0.572 0.000 0.008 0.732 0.128 0.128 0.004
#> 25006 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.3820 0.503 0.004 0.000 0.660 0.000 0.332 0.004
#> 26003 4 0.5974 0.594 0.000 0.056 0.068 0.672 0.128 0.076
#> 26005 3 0.3023 0.561 0.000 0.000 0.768 0.000 0.232 0.000
#> 26008 1 0.0146 0.806 0.996 0.000 0.000 0.000 0.004 0.000
#> 27003 5 0.6092 0.600 0.000 0.004 0.004 0.192 0.432 0.368
#> 27004 4 0.3298 0.650 0.000 0.004 0.024 0.848 0.080 0.044
#> 28001 5 0.5207 0.694 0.000 0.000 0.008 0.080 0.560 0.352
#> 28003 4 0.4342 0.588 0.004 0.004 0.004 0.732 0.056 0.200
#> 28005 4 0.4060 0.637 0.000 0.004 0.024 0.792 0.104 0.076
#> 28006 4 0.7018 0.122 0.000 0.088 0.004 0.468 0.220 0.220
#> 28007 4 0.2601 0.659 0.000 0.012 0.016 0.896 0.040 0.036
#> 28019 1 0.4912 0.669 0.684 0.000 0.000 0.024 0.080 0.212
#> 28021 1 0.4912 0.669 0.684 0.000 0.000 0.024 0.080 0.212
#> 28023 4 0.2615 0.637 0.000 0.004 0.000 0.852 0.008 0.136
#> 28024 4 0.2601 0.659 0.000 0.012 0.016 0.896 0.040 0.036
#> 28028 4 0.4583 0.589 0.000 0.084 0.004 0.764 0.072 0.076
#> 28031 4 0.2615 0.637 0.000 0.004 0.000 0.852 0.008 0.136
#> 28032 4 0.4583 0.589 0.000 0.084 0.004 0.764 0.072 0.076
#> 28035 1 0.4912 0.669 0.684 0.000 0.000 0.024 0.080 0.212
#> 28036 4 0.5176 0.591 0.000 0.080 0.028 0.732 0.104 0.056
#> 28037 1 0.4506 0.701 0.724 0.000 0.000 0.016 0.076 0.184
#> 28042 4 0.5052 0.534 0.000 0.016 0.000 0.668 0.112 0.204
#> 28043 4 0.4958 0.598 0.000 0.008 0.120 0.728 0.104 0.040
#> 28044 4 0.4937 0.501 0.008 0.004 0.004 0.652 0.060 0.272
#> 28047 4 0.2312 0.657 0.000 0.004 0.008 0.896 0.012 0.080
#> 30001 1 0.4912 0.669 0.684 0.000 0.000 0.024 0.080 0.212
#> 31007 4 0.6171 0.456 0.000 0.020 0.028 0.592 0.172 0.188
#> 31011 4 0.6080 0.591 0.000 0.012 0.088 0.636 0.132 0.132
#> 33005 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 1 0.3951 0.751 0.808 0.000 0.016 0.016 0.088 0.072
#> 36002 3 0.6271 0.128 0.000 0.016 0.460 0.384 0.120 0.020
#> 37013 3 0.7166 0.362 0.012 0.008 0.472 0.208 0.240 0.060
#> 43001 3 0.6760 0.405 0.004 0.008 0.512 0.184 0.240 0.052
#> 43004 4 0.6778 0.147 0.024 0.004 0.036 0.484 0.132 0.320
#> 43007 3 0.6048 0.342 0.000 0.016 0.536 0.320 0.108 0.020
#> 43012 4 0.2825 0.637 0.000 0.008 0.000 0.844 0.012 0.136
#> 48001 1 0.4548 0.728 0.768 0.000 0.024 0.020 0.096 0.092
#> 49006 3 0.1858 0.591 0.000 0.000 0.912 0.012 0.076 0.000
#> 57001 4 0.5683 0.476 0.000 0.028 0.024 0.588 0.052 0.308
#> 62001 4 0.5273 0.476 0.016 0.004 0.008 0.636 0.064 0.272
#> 62002 4 0.6655 0.457 0.004 0.008 0.152 0.564 0.188 0.084
#> 62003 5 0.7726 0.744 0.128 0.000 0.080 0.076 0.424 0.292
#> 63001 3 0.7507 0.283 0.000 0.176 0.492 0.152 0.140 0.040
#> 64001 3 0.0547 0.599 0.000 0.000 0.980 0.000 0.020 0.000
#> 64002 1 0.0260 0.805 0.992 0.000 0.000 0.000 0.008 0.000
#> 65005 3 0.1333 0.595 0.000 0.000 0.944 0.008 0.048 0.000
#> 68001 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 3 0.5561 0.489 0.000 0.008 0.620 0.220 0.140 0.012
#> 84004 4 0.6174 0.334 0.000 0.016 0.284 0.552 0.120 0.028
#> LAL5 4 0.5187 0.542 0.004 0.012 0.008 0.652 0.072 0.252
#> 01003 2 0.4338 -0.599 0.000 0.492 0.000 0.020 0.000 0.488
#> 01007 6 0.4093 0.903 0.000 0.404 0.000 0.012 0.000 0.584
#> 02020 6 0.4034 0.920 0.000 0.336 0.000 0.012 0.004 0.648
#> 04018 6 0.4047 0.938 0.000 0.384 0.000 0.012 0.000 0.604
#> 09002 2 0.1341 0.669 0.000 0.948 0.000 0.024 0.000 0.028
#> 10005 2 0.5448 0.294 0.000 0.584 0.328 0.012 0.052 0.024
#> 11002 2 0.4312 0.480 0.000 0.724 0.000 0.064 0.008 0.204
#> 12008 2 0.1594 0.672 0.000 0.932 0.000 0.016 0.000 0.052
#> 15006 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 16002 2 0.4325 -0.508 0.000 0.524 0.000 0.020 0.000 0.456
#> 16007 2 0.1461 0.672 0.000 0.940 0.000 0.016 0.000 0.044
#> 17003 6 0.4034 0.920 0.000 0.336 0.000 0.012 0.004 0.648
#> 18001 2 0.3920 0.491 0.000 0.736 0.000 0.048 0.000 0.216
#> 19002 6 0.4015 0.945 0.000 0.372 0.000 0.012 0.000 0.616
#> 19008 2 0.2129 0.638 0.000 0.904 0.000 0.056 0.000 0.040
#> 19014 6 0.4034 0.920 0.000 0.336 0.000 0.012 0.004 0.648
#> 19017 2 0.1461 0.673 0.000 0.940 0.000 0.016 0.000 0.044
#> 20005 2 0.4011 0.573 0.000 0.736 0.000 0.060 0.000 0.204
#> 24006 6 0.4047 0.938 0.000 0.384 0.000 0.012 0.000 0.604
#> 26009 1 0.0000 0.806 1.000 0.000 0.000 0.000 0.000 0.000
#> 28008 2 0.4312 0.480 0.000 0.724 0.000 0.064 0.008 0.204
#> 28009 6 0.4015 0.945 0.000 0.372 0.000 0.012 0.000 0.616
#> 31015 2 0.4603 0.340 0.000 0.672 0.000 0.060 0.008 0.260
#> 37001 6 0.4015 0.945 0.000 0.372 0.000 0.012 0.000 0.616
#> 43006 2 0.2129 0.638 0.000 0.904 0.000 0.056 0.000 0.040
#> 43015 2 0.1594 0.672 0.000 0.932 0.000 0.016 0.000 0.052
#> 44001 2 0.4338 -0.599 0.000 0.492 0.000 0.020 0.000 0.488
#> 49004 2 0.1461 0.672 0.000 0.940 0.000 0.016 0.000 0.044
#> 56007 2 0.2129 0.638 0.000 0.904 0.000 0.056 0.000 0.040
#> 64005 2 0.1594 0.672 0.000 0.932 0.000 0.016 0.000 0.052
#> 65003 6 0.4219 0.898 0.000 0.388 0.000 0.020 0.000 0.592
#> 83001 6 0.4076 0.942 0.000 0.364 0.000 0.016 0.000 0.620
#> LAL4 6 0.4034 0.920 0.000 0.336 0.000 0.012 0.004 0.648
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:hclust 127 0.255 0.783 3.01e-01 2
#> SD:hclust 93 0.356 0.951 3.70e-11 3
#> SD:hclust 105 0.652 0.971 6.76e-17 4
#> SD:hclust 100 0.695 0.946 4.01e-14 5
#> SD:hclust 87 0.600 0.939 1.45e-09 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "kmeans"]
# you can also extract it by
# res = res_list["SD:kmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.501 0.822 0.873 0.3766 0.622 0.622
#> 3 3 0.720 0.742 0.870 0.6350 0.692 0.534
#> 4 4 0.782 0.929 0.912 0.1961 0.847 0.613
#> 5 5 0.765 0.729 0.836 0.0684 0.997 0.987
#> 6 6 0.738 0.547 0.738 0.0427 0.937 0.753
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.8267 0.843 0.260 0.740
#> 01010 1 0.0000 0.902 1.000 0.000
#> 03002 2 0.7950 0.858 0.240 0.760
#> 04006 1 0.0000 0.902 1.000 0.000
#> 04007 2 0.7950 0.858 0.240 0.760
#> 04008 1 0.0000 0.902 1.000 0.000
#> 04010 1 0.0000 0.902 1.000 0.000
#> 04016 2 0.7950 0.858 0.240 0.760
#> 06002 2 0.8386 0.835 0.268 0.732
#> 08001 2 0.6887 0.880 0.184 0.816
#> 08011 2 0.8267 0.843 0.260 0.740
#> 08012 2 0.6887 0.880 0.184 0.816
#> 08018 2 0.7950 0.858 0.240 0.760
#> 08024 2 0.8327 0.839 0.264 0.736
#> 09008 1 0.0000 0.902 1.000 0.000
#> 09017 2 0.7056 0.878 0.192 0.808
#> 11005 2 0.6887 0.880 0.184 0.816
#> 12006 2 0.8267 0.843 0.260 0.740
#> 12007 2 0.8267 0.843 0.260 0.740
#> 12012 2 0.8267 0.843 0.260 0.740
#> 12019 2 0.8267 0.843 0.260 0.740
#> 12026 1 0.9358 0.292 0.648 0.352
#> 14016 1 0.9358 0.292 0.648 0.352
#> 15001 2 0.8386 0.835 0.268 0.732
#> 15004 2 0.6887 0.880 0.184 0.816
#> 15005 1 0.1414 0.887 0.980 0.020
#> 16004 1 0.0000 0.902 1.000 0.000
#> 16009 1 0.0000 0.902 1.000 0.000
#> 19005 1 0.4022 0.826 0.920 0.080
#> 20002 1 0.0000 0.902 1.000 0.000
#> 22009 2 0.8267 0.843 0.260 0.740
#> 22010 2 0.6801 0.880 0.180 0.820
#> 22011 2 0.7950 0.858 0.240 0.760
#> 22013 2 0.8386 0.835 0.268 0.732
#> 24001 2 0.7950 0.858 0.240 0.760
#> 24005 2 0.6887 0.880 0.184 0.816
#> 24008 2 0.8016 0.855 0.244 0.756
#> 24010 2 0.7950 0.858 0.240 0.760
#> 24011 2 0.8267 0.843 0.260 0.740
#> 24017 1 0.0000 0.902 1.000 0.000
#> 24018 1 0.2948 0.856 0.948 0.052
#> 24019 1 0.0000 0.902 1.000 0.000
#> 24022 2 0.6801 0.880 0.180 0.820
#> 25003 2 0.7950 0.858 0.240 0.760
#> 25006 1 0.0000 0.902 1.000 0.000
#> 26001 1 0.9286 0.317 0.656 0.344
#> 26003 2 0.6887 0.880 0.184 0.816
#> 26005 2 0.8386 0.835 0.268 0.732
#> 26008 1 0.0000 0.902 1.000 0.000
#> 27003 2 0.6887 0.880 0.184 0.816
#> 27004 2 0.6887 0.880 0.184 0.816
#> 28001 2 0.7376 0.873 0.208 0.792
#> 28003 2 0.6973 0.879 0.188 0.812
#> 28005 2 0.6887 0.880 0.184 0.816
#> 28006 2 0.6887 0.880 0.184 0.816
#> 28007 2 0.6887 0.880 0.184 0.816
#> 28019 1 0.0000 0.902 1.000 0.000
#> 28021 1 0.0000 0.902 1.000 0.000
#> 28023 2 0.6887 0.880 0.184 0.816
#> 28024 2 0.6887 0.880 0.184 0.816
#> 28028 2 0.6801 0.880 0.180 0.820
#> 28031 2 0.7602 0.868 0.220 0.780
#> 28032 2 0.6801 0.880 0.180 0.820
#> 28035 1 0.0000 0.902 1.000 0.000
#> 28036 2 0.6801 0.880 0.180 0.820
#> 28037 1 0.0000 0.902 1.000 0.000
#> 28042 2 0.6801 0.880 0.180 0.820
#> 28043 2 0.6887 0.880 0.184 0.816
#> 28044 2 0.6887 0.880 0.184 0.816
#> 28047 2 0.6887 0.880 0.184 0.816
#> 30001 1 0.0000 0.902 1.000 0.000
#> 31007 2 0.6887 0.880 0.184 0.816
#> 31011 2 0.6887 0.880 0.184 0.816
#> 33005 1 0.0000 0.902 1.000 0.000
#> 36001 1 0.0000 0.902 1.000 0.000
#> 36002 2 0.7950 0.858 0.240 0.760
#> 37013 2 0.8267 0.843 0.260 0.740
#> 43001 1 0.9358 0.292 0.648 0.352
#> 43004 2 0.8267 0.843 0.260 0.740
#> 43007 2 0.6973 0.879 0.188 0.812
#> 43012 2 0.6887 0.880 0.184 0.816
#> 48001 1 0.0000 0.902 1.000 0.000
#> 49006 2 0.8267 0.843 0.260 0.740
#> 57001 2 0.6887 0.880 0.184 0.816
#> 62001 2 0.6887 0.880 0.184 0.816
#> 62002 2 0.6887 0.880 0.184 0.816
#> 62003 1 0.9686 0.118 0.604 0.396
#> 63001 2 0.7299 0.874 0.204 0.796
#> 64001 2 0.8267 0.843 0.260 0.740
#> 64002 1 0.0000 0.902 1.000 0.000
#> 65005 2 0.7950 0.858 0.240 0.760
#> 68001 1 0.0000 0.902 1.000 0.000
#> 68003 2 0.7950 0.858 0.240 0.760
#> 84004 2 0.6887 0.880 0.184 0.816
#> LAL5 2 0.6887 0.880 0.184 0.816
#> 01003 2 0.0000 0.803 0.000 1.000
#> 01007 2 0.0672 0.799 0.008 0.992
#> 02020 2 0.0672 0.799 0.008 0.992
#> 04018 2 0.0672 0.799 0.008 0.992
#> 09002 2 0.0000 0.803 0.000 1.000
#> 10005 2 0.0000 0.803 0.000 1.000
#> 11002 2 0.0000 0.803 0.000 1.000
#> 12008 2 0.0000 0.803 0.000 1.000
#> 15006 1 0.6801 0.721 0.820 0.180
#> 16002 2 0.0000 0.803 0.000 1.000
#> 16007 2 0.0376 0.801 0.004 0.996
#> 17003 2 0.9922 -0.218 0.448 0.552
#> 18001 2 0.0000 0.803 0.000 1.000
#> 19002 2 0.0672 0.799 0.008 0.992
#> 19008 2 0.0000 0.803 0.000 1.000
#> 19014 2 0.0672 0.799 0.008 0.992
#> 19017 2 0.0000 0.803 0.000 1.000
#> 20005 2 0.0000 0.803 0.000 1.000
#> 24006 2 0.0672 0.799 0.008 0.992
#> 26009 1 0.6801 0.721 0.820 0.180
#> 28008 2 0.0000 0.803 0.000 1.000
#> 28009 2 0.0672 0.799 0.008 0.992
#> 31015 2 0.0000 0.803 0.000 1.000
#> 37001 2 0.0672 0.799 0.008 0.992
#> 43006 2 0.0000 0.803 0.000 1.000
#> 43015 2 0.0000 0.803 0.000 1.000
#> 44001 2 0.0672 0.799 0.008 0.992
#> 49004 2 0.0000 0.803 0.000 1.000
#> 56007 2 0.0000 0.803 0.000 1.000
#> 64005 2 0.0672 0.799 0.008 0.992
#> 65003 2 0.0672 0.799 0.008 0.992
#> 83001 2 0.0672 0.799 0.008 0.992
#> LAL4 2 0.0672 0.799 0.008 0.992
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0592 0.742 0.012 0.000 0.988
#> 01010 1 0.0592 0.960 0.988 0.000 0.012
#> 03002 3 0.0000 0.742 0.000 0.000 1.000
#> 04006 1 0.0424 0.958 0.992 0.000 0.008
#> 04007 3 0.0000 0.742 0.000 0.000 1.000
#> 04008 1 0.0747 0.958 0.984 0.000 0.016
#> 04010 1 0.0592 0.960 0.988 0.000 0.012
#> 04016 3 0.0592 0.742 0.012 0.000 0.988
#> 06002 3 0.0592 0.742 0.012 0.000 0.988
#> 08001 3 0.0000 0.742 0.000 0.000 1.000
#> 08011 3 0.0592 0.742 0.012 0.000 0.988
#> 08012 3 0.0424 0.743 0.008 0.000 0.992
#> 08018 3 0.0592 0.742 0.012 0.000 0.988
#> 08024 3 0.0592 0.742 0.012 0.000 0.988
#> 09008 1 0.1031 0.955 0.976 0.000 0.024
#> 09017 3 0.0000 0.742 0.000 0.000 1.000
#> 11005 3 0.0000 0.742 0.000 0.000 1.000
#> 12006 3 0.0000 0.742 0.000 0.000 1.000
#> 12007 3 0.0592 0.742 0.012 0.000 0.988
#> 12012 3 0.0592 0.742 0.012 0.000 0.988
#> 12019 3 0.0592 0.742 0.012 0.000 0.988
#> 12026 3 0.0592 0.742 0.012 0.000 0.988
#> 14016 3 0.0592 0.742 0.012 0.000 0.988
#> 15001 3 0.0592 0.742 0.012 0.000 0.988
#> 15004 3 0.6513 0.440 0.004 0.476 0.520
#> 15005 1 0.6225 0.177 0.568 0.000 0.432
#> 16004 1 0.0424 0.958 0.992 0.000 0.008
#> 16009 1 0.0592 0.960 0.988 0.000 0.012
#> 19005 1 0.4235 0.769 0.824 0.000 0.176
#> 20002 1 0.0592 0.960 0.988 0.000 0.012
#> 22009 3 0.0592 0.742 0.012 0.000 0.988
#> 22010 2 0.6307 -0.383 0.000 0.512 0.488
#> 22011 3 0.0424 0.743 0.008 0.000 0.992
#> 22013 3 0.0592 0.742 0.012 0.000 0.988
#> 24001 3 0.0424 0.743 0.008 0.000 0.992
#> 24005 3 0.6513 0.440 0.004 0.476 0.520
#> 24008 3 0.0592 0.742 0.012 0.000 0.988
#> 24010 3 0.0000 0.742 0.000 0.000 1.000
#> 24011 3 0.0592 0.742 0.012 0.000 0.988
#> 24017 1 0.0592 0.960 0.988 0.000 0.012
#> 24018 1 0.3267 0.852 0.884 0.000 0.116
#> 24019 1 0.0592 0.960 0.988 0.000 0.012
#> 24022 3 0.6299 0.445 0.000 0.476 0.524
#> 25003 3 0.0237 0.742 0.004 0.000 0.996
#> 25006 1 0.0592 0.960 0.988 0.000 0.012
#> 26001 3 0.0592 0.742 0.012 0.000 0.988
#> 26003 3 0.6299 0.445 0.000 0.476 0.524
#> 26005 3 0.0592 0.742 0.012 0.000 0.988
#> 26008 1 0.0424 0.958 0.992 0.000 0.008
#> 27003 3 0.6299 0.445 0.000 0.476 0.524
#> 27004 3 0.6299 0.445 0.000 0.476 0.524
#> 28001 3 0.6299 0.445 0.000 0.476 0.524
#> 28003 3 0.6302 0.437 0.000 0.480 0.520
#> 28005 3 0.6299 0.445 0.000 0.476 0.524
#> 28006 3 0.6299 0.445 0.000 0.476 0.524
#> 28007 3 0.6299 0.445 0.000 0.476 0.524
#> 28019 1 0.1031 0.955 0.976 0.000 0.024
#> 28021 1 0.1031 0.955 0.976 0.000 0.024
#> 28023 3 0.6299 0.445 0.000 0.476 0.524
#> 28024 3 0.6299 0.445 0.000 0.476 0.524
#> 28028 3 0.6513 0.440 0.004 0.476 0.520
#> 28031 3 0.6299 0.445 0.000 0.476 0.524
#> 28032 3 0.6513 0.440 0.004 0.476 0.520
#> 28035 1 0.1031 0.955 0.976 0.000 0.024
#> 28036 3 0.6299 0.445 0.000 0.476 0.524
#> 28037 1 0.1031 0.955 0.976 0.000 0.024
#> 28042 3 0.6302 0.437 0.000 0.480 0.520
#> 28043 3 0.6299 0.445 0.000 0.476 0.524
#> 28044 3 0.6299 0.445 0.000 0.476 0.524
#> 28047 3 0.6299 0.445 0.000 0.476 0.524
#> 30001 1 0.0592 0.960 0.988 0.000 0.012
#> 31007 3 0.6513 0.440 0.004 0.476 0.520
#> 31011 3 0.6299 0.445 0.000 0.476 0.524
#> 33005 1 0.0592 0.960 0.988 0.000 0.012
#> 36001 1 0.0592 0.960 0.988 0.000 0.012
#> 36002 3 0.0000 0.742 0.000 0.000 1.000
#> 37013 3 0.0424 0.743 0.008 0.000 0.992
#> 43001 3 0.0592 0.742 0.012 0.000 0.988
#> 43004 3 0.6299 0.445 0.000 0.476 0.524
#> 43007 3 0.0000 0.742 0.000 0.000 1.000
#> 43012 3 0.6302 0.437 0.000 0.480 0.520
#> 48001 1 0.0592 0.960 0.988 0.000 0.012
#> 49006 3 0.0424 0.743 0.008 0.000 0.992
#> 57001 3 0.6299 0.445 0.000 0.476 0.524
#> 62001 3 0.6299 0.445 0.000 0.476 0.524
#> 62002 3 0.6299 0.445 0.000 0.476 0.524
#> 62003 3 0.0592 0.742 0.012 0.000 0.988
#> 63001 3 0.0747 0.740 0.016 0.000 0.984
#> 64001 3 0.0592 0.742 0.012 0.000 0.988
#> 64002 1 0.0592 0.960 0.988 0.000 0.012
#> 65005 3 0.0592 0.742 0.012 0.000 0.988
#> 68001 1 0.0592 0.960 0.988 0.000 0.012
#> 68003 3 0.0000 0.742 0.000 0.000 1.000
#> 84004 3 0.0000 0.742 0.000 0.000 1.000
#> LAL5 3 0.6299 0.445 0.000 0.476 0.524
#> 01003 2 0.0000 0.942 0.000 1.000 0.000
#> 01007 2 0.0000 0.942 0.000 1.000 0.000
#> 02020 2 0.0424 0.941 0.008 0.992 0.000
#> 04018 2 0.0000 0.942 0.000 1.000 0.000
#> 09002 2 0.0000 0.942 0.000 1.000 0.000
#> 10005 2 0.6577 0.237 0.008 0.572 0.420
#> 11002 2 0.0424 0.941 0.008 0.992 0.000
#> 12008 2 0.5397 0.506 0.000 0.720 0.280
#> 15006 1 0.1529 0.930 0.960 0.040 0.000
#> 16002 2 0.0000 0.942 0.000 1.000 0.000
#> 16007 2 0.0000 0.942 0.000 1.000 0.000
#> 17003 2 0.1289 0.916 0.032 0.968 0.000
#> 18001 2 0.0424 0.941 0.008 0.992 0.000
#> 19002 2 0.0000 0.942 0.000 1.000 0.000
#> 19008 2 0.0000 0.942 0.000 1.000 0.000
#> 19014 2 0.0424 0.941 0.008 0.992 0.000
#> 19017 2 0.0424 0.941 0.008 0.992 0.000
#> 20005 2 0.0424 0.941 0.008 0.992 0.000
#> 24006 2 0.0000 0.942 0.000 1.000 0.000
#> 26009 1 0.1529 0.930 0.960 0.040 0.000
#> 28008 2 0.0424 0.941 0.008 0.992 0.000
#> 28009 2 0.0000 0.942 0.000 1.000 0.000
#> 31015 2 0.0424 0.941 0.008 0.992 0.000
#> 37001 2 0.0000 0.942 0.000 1.000 0.000
#> 43006 2 0.0000 0.942 0.000 1.000 0.000
#> 43015 2 0.0424 0.941 0.008 0.992 0.000
#> 44001 2 0.0000 0.942 0.000 1.000 0.000
#> 49004 2 0.0000 0.942 0.000 1.000 0.000
#> 56007 2 0.0000 0.942 0.000 1.000 0.000
#> 64005 2 0.0000 0.942 0.000 1.000 0.000
#> 65003 2 0.0000 0.942 0.000 1.000 0.000
#> 83001 2 0.0424 0.941 0.008 0.992 0.000
#> LAL4 2 0.0424 0.941 0.008 0.992 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 01010 1 0.0657 0.957 0.984 0.000 0.012 0.004
#> 03002 3 0.0469 0.972 0.000 0.000 0.988 0.012
#> 04006 1 0.0672 0.956 0.984 0.000 0.008 0.008
#> 04007 3 0.0469 0.972 0.000 0.000 0.988 0.012
#> 04008 1 0.3161 0.865 0.864 0.000 0.124 0.012
#> 04010 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 04016 3 0.0336 0.978 0.000 0.000 0.992 0.008
#> 06002 3 0.0707 0.973 0.000 0.000 0.980 0.020
#> 08001 4 0.4992 0.367 0.000 0.000 0.476 0.524
#> 08011 3 0.0336 0.978 0.000 0.000 0.992 0.008
#> 08012 3 0.0336 0.978 0.000 0.000 0.992 0.008
#> 08018 3 0.1211 0.959 0.000 0.000 0.960 0.040
#> 08024 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 09008 1 0.0707 0.954 0.980 0.000 0.000 0.020
#> 09017 4 0.5195 0.740 0.000 0.032 0.276 0.692
#> 11005 3 0.2011 0.898 0.000 0.000 0.920 0.080
#> 12006 3 0.1557 0.950 0.000 0.000 0.944 0.056
#> 12007 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 12012 3 0.0188 0.977 0.000 0.000 0.996 0.004
#> 12019 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 12026 3 0.1743 0.953 0.004 0.000 0.940 0.056
#> 14016 3 0.1489 0.955 0.004 0.000 0.952 0.044
#> 15001 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 15004 4 0.4225 0.928 0.008 0.052 0.108 0.832
#> 15005 1 0.6201 0.697 0.712 0.036 0.180 0.072
#> 16004 1 0.2748 0.915 0.904 0.020 0.004 0.072
#> 16009 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 19005 1 0.5859 0.783 0.748 0.036 0.132 0.084
#> 20002 1 0.1059 0.955 0.972 0.000 0.016 0.012
#> 22009 3 0.1389 0.960 0.000 0.000 0.952 0.048
#> 22010 4 0.3372 0.845 0.000 0.096 0.036 0.868
#> 22011 3 0.0336 0.978 0.000 0.000 0.992 0.008
#> 22013 3 0.0469 0.976 0.000 0.000 0.988 0.012
#> 24001 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 24005 4 0.4419 0.927 0.008 0.056 0.116 0.820
#> 24008 3 0.0336 0.978 0.000 0.000 0.992 0.008
#> 24010 3 0.0657 0.972 0.000 0.004 0.984 0.012
#> 24011 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 24017 1 0.0469 0.957 0.988 0.000 0.012 0.000
#> 24018 1 0.3762 0.890 0.868 0.036 0.024 0.072
#> 24019 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 24022 4 0.4282 0.929 0.000 0.060 0.124 0.816
#> 25003 3 0.0188 0.976 0.000 0.000 0.996 0.004
#> 25006 1 0.0469 0.957 0.988 0.000 0.012 0.000
#> 26001 3 0.1004 0.969 0.004 0.000 0.972 0.024
#> 26003 4 0.4282 0.929 0.000 0.060 0.124 0.816
#> 26005 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 26008 1 0.0672 0.956 0.984 0.000 0.008 0.008
#> 27003 4 0.3907 0.909 0.000 0.044 0.120 0.836
#> 27004 4 0.4282 0.929 0.000 0.060 0.124 0.816
#> 28001 4 0.3907 0.905 0.000 0.044 0.120 0.836
#> 28003 4 0.4419 0.921 0.000 0.084 0.104 0.812
#> 28005 4 0.4282 0.929 0.000 0.060 0.124 0.816
#> 28006 4 0.4127 0.929 0.000 0.052 0.124 0.824
#> 28007 4 0.4171 0.929 0.000 0.060 0.116 0.824
#> 28019 1 0.0707 0.954 0.980 0.000 0.000 0.020
#> 28021 1 0.0707 0.954 0.980 0.000 0.000 0.020
#> 28023 4 0.4171 0.929 0.000 0.060 0.116 0.824
#> 28024 4 0.4171 0.929 0.000 0.060 0.116 0.824
#> 28028 4 0.4322 0.922 0.008 0.060 0.104 0.828
#> 28031 4 0.4188 0.919 0.000 0.064 0.112 0.824
#> 28032 4 0.4322 0.922 0.008 0.060 0.104 0.828
#> 28035 1 0.0707 0.954 0.980 0.000 0.000 0.020
#> 28036 4 0.4227 0.928 0.000 0.060 0.120 0.820
#> 28037 1 0.0707 0.954 0.980 0.000 0.000 0.020
#> 28042 4 0.4114 0.928 0.000 0.060 0.112 0.828
#> 28043 4 0.4282 0.929 0.000 0.060 0.124 0.816
#> 28044 4 0.4374 0.921 0.000 0.068 0.120 0.812
#> 28047 4 0.4171 0.929 0.000 0.060 0.116 0.824
#> 30001 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 31007 4 0.4144 0.906 0.008 0.048 0.108 0.836
#> 31011 4 0.4205 0.926 0.000 0.056 0.124 0.820
#> 33005 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 36001 1 0.1059 0.957 0.972 0.000 0.012 0.016
#> 36002 3 0.0592 0.970 0.000 0.000 0.984 0.016
#> 37013 3 0.1302 0.957 0.000 0.000 0.956 0.044
#> 43001 3 0.1302 0.957 0.000 0.000 0.956 0.044
#> 43004 4 0.3821 0.907 0.000 0.040 0.120 0.840
#> 43007 3 0.0469 0.977 0.000 0.000 0.988 0.012
#> 43012 4 0.4542 0.923 0.000 0.088 0.108 0.804
#> 48001 1 0.3182 0.909 0.892 0.032 0.012 0.064
#> 49006 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 57001 4 0.4635 0.924 0.000 0.080 0.124 0.796
#> 62001 4 0.4301 0.920 0.000 0.064 0.120 0.816
#> 62002 4 0.3907 0.909 0.000 0.044 0.120 0.836
#> 62003 3 0.2965 0.899 0.000 0.036 0.892 0.072
#> 63001 3 0.0992 0.973 0.008 0.004 0.976 0.012
#> 64001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 64002 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 65005 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 68001 1 0.0804 0.957 0.980 0.000 0.012 0.008
#> 68003 3 0.0592 0.970 0.000 0.000 0.984 0.016
#> 84004 4 0.5392 0.400 0.000 0.012 0.460 0.528
#> LAL5 4 0.4171 0.931 0.000 0.060 0.116 0.824
#> 01003 2 0.0592 0.941 0.000 0.984 0.000 0.016
#> 01007 2 0.1302 0.936 0.000 0.956 0.000 0.044
#> 02020 2 0.2466 0.915 0.004 0.900 0.000 0.096
#> 04018 2 0.1211 0.938 0.000 0.960 0.000 0.040
#> 09002 2 0.2216 0.936 0.000 0.908 0.000 0.092
#> 10005 2 0.4023 0.903 0.004 0.840 0.052 0.104
#> 11002 2 0.2530 0.935 0.004 0.896 0.000 0.100
#> 12008 2 0.3421 0.909 0.000 0.868 0.044 0.088
#> 15006 1 0.1724 0.937 0.948 0.032 0.000 0.020
#> 16002 2 0.2081 0.937 0.000 0.916 0.000 0.084
#> 16007 2 0.2149 0.936 0.000 0.912 0.000 0.088
#> 17003 2 0.2654 0.903 0.004 0.888 0.000 0.108
#> 18001 2 0.2593 0.935 0.004 0.892 0.000 0.104
#> 19002 2 0.1302 0.936 0.000 0.956 0.000 0.044
#> 19008 2 0.2216 0.936 0.000 0.908 0.000 0.092
#> 19014 2 0.2053 0.930 0.004 0.924 0.000 0.072
#> 19017 2 0.2593 0.934 0.004 0.892 0.000 0.104
#> 20005 2 0.2466 0.936 0.004 0.900 0.000 0.096
#> 24006 2 0.1389 0.935 0.000 0.952 0.000 0.048
#> 26009 1 0.1724 0.937 0.948 0.032 0.000 0.020
#> 28008 2 0.2401 0.936 0.004 0.904 0.000 0.092
#> 28009 2 0.1302 0.936 0.000 0.956 0.000 0.044
#> 31015 2 0.1489 0.941 0.004 0.952 0.000 0.044
#> 37001 2 0.1474 0.933 0.000 0.948 0.000 0.052
#> 43006 2 0.2216 0.936 0.000 0.908 0.000 0.092
#> 43015 2 0.2530 0.939 0.004 0.896 0.000 0.100
#> 44001 2 0.1118 0.937 0.000 0.964 0.000 0.036
#> 49004 2 0.2216 0.936 0.000 0.908 0.000 0.092
#> 56007 2 0.2216 0.936 0.000 0.908 0.000 0.092
#> 64005 2 0.2081 0.919 0.000 0.916 0.000 0.084
#> 65003 2 0.1302 0.936 0.000 0.956 0.000 0.044
#> 83001 2 0.1824 0.934 0.004 0.936 0.000 0.060
#> LAL4 2 0.2053 0.933 0.004 0.924 0.000 0.072
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0162 0.8590 0.000 0.000 0.996 0.004 0.000
#> 01010 1 0.1638 0.7392 0.932 0.000 0.000 0.004 0.064
#> 03002 3 0.3438 0.8147 0.000 0.000 0.808 0.020 0.172
#> 04006 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.3276 0.8312 0.000 0.000 0.836 0.032 0.132
#> 04008 1 0.4525 0.0209 0.624 0.000 0.360 0.000 0.016
#> 04010 1 0.2233 0.7275 0.892 0.000 0.000 0.004 0.104
#> 04016 3 0.2824 0.8422 0.000 0.000 0.864 0.020 0.116
#> 06002 3 0.0510 0.8558 0.000 0.000 0.984 0.000 0.016
#> 08001 4 0.6195 0.4429 0.000 0.000 0.240 0.552 0.208
#> 08011 3 0.0000 0.8581 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.3141 0.8377 0.000 0.000 0.852 0.040 0.108
#> 08018 3 0.2046 0.8330 0.000 0.000 0.916 0.068 0.016
#> 08024 3 0.0609 0.8576 0.000 0.000 0.980 0.000 0.020
#> 09008 1 0.3231 0.6373 0.800 0.000 0.000 0.004 0.196
#> 09017 4 0.5975 0.3924 0.000 0.008 0.084 0.484 0.424
#> 11005 3 0.5692 0.6175 0.000 0.000 0.628 0.168 0.204
#> 12006 3 0.5107 0.6050 0.000 0.000 0.596 0.048 0.356
#> 12007 3 0.0162 0.8590 0.000 0.000 0.996 0.004 0.000
#> 12012 3 0.0955 0.8581 0.000 0.000 0.968 0.004 0.028
#> 12019 3 0.1478 0.8608 0.000 0.000 0.936 0.000 0.064
#> 12026 3 0.3618 0.7306 0.004 0.000 0.788 0.012 0.196
#> 14016 3 0.3789 0.7189 0.000 0.000 0.760 0.016 0.224
#> 15001 3 0.0404 0.8565 0.000 0.000 0.988 0.000 0.012
#> 15004 4 0.2196 0.8065 0.000 0.004 0.024 0.916 0.056
#> 15005 5 0.6483 0.0000 0.376 0.012 0.040 0.052 0.520
#> 16004 1 0.4546 0.1168 0.688 0.008 0.000 0.020 0.284
#> 16009 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.7279 -0.6836 0.424 0.008 0.088 0.072 0.408
#> 20002 1 0.2573 0.5833 0.880 0.000 0.104 0.000 0.016
#> 22009 3 0.2997 0.7792 0.000 0.000 0.840 0.012 0.148
#> 22010 4 0.6186 0.4623 0.000 0.116 0.020 0.588 0.276
#> 22011 3 0.2773 0.8435 0.000 0.000 0.868 0.020 0.112
#> 22013 3 0.1845 0.8495 0.000 0.000 0.928 0.016 0.056
#> 24001 3 0.2824 0.8422 0.000 0.000 0.864 0.020 0.116
#> 24005 4 0.2879 0.7840 0.000 0.000 0.032 0.868 0.100
#> 24008 3 0.1341 0.8583 0.000 0.000 0.944 0.000 0.056
#> 24010 3 0.3934 0.7751 0.000 0.000 0.740 0.016 0.244
#> 24011 3 0.0510 0.8563 0.000 0.000 0.984 0.000 0.016
#> 24017 1 0.0162 0.7438 0.996 0.000 0.000 0.000 0.004
#> 24018 1 0.5977 -0.6030 0.512 0.020 0.008 0.044 0.416
#> 24019 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3012 0.8061 0.000 0.000 0.036 0.860 0.104
#> 25003 3 0.2338 0.8504 0.000 0.000 0.884 0.004 0.112
#> 25006 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.1173 0.8503 0.004 0.000 0.964 0.012 0.020
#> 26003 4 0.2959 0.8069 0.000 0.000 0.036 0.864 0.100
#> 26005 3 0.0404 0.8565 0.000 0.000 0.988 0.000 0.012
#> 26008 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.4946 0.6177 0.000 0.012 0.024 0.636 0.328
#> 27004 4 0.3012 0.8090 0.000 0.000 0.036 0.860 0.104
#> 28001 4 0.5289 0.5056 0.000 0.012 0.028 0.536 0.424
#> 28003 4 0.3498 0.7708 0.000 0.012 0.024 0.832 0.132
#> 28005 4 0.2491 0.8133 0.000 0.000 0.036 0.896 0.068
#> 28006 4 0.3051 0.8097 0.000 0.000 0.028 0.852 0.120
#> 28007 4 0.1997 0.8101 0.000 0.000 0.040 0.924 0.036
#> 28019 1 0.2674 0.7084 0.856 0.000 0.000 0.004 0.140
#> 28021 1 0.2930 0.6859 0.832 0.000 0.000 0.004 0.164
#> 28023 4 0.2504 0.8076 0.000 0.000 0.040 0.896 0.064
#> 28024 4 0.2077 0.8097 0.000 0.000 0.040 0.920 0.040
#> 28028 4 0.2473 0.7951 0.000 0.000 0.032 0.896 0.072
#> 28031 4 0.3584 0.7733 0.000 0.012 0.028 0.828 0.132
#> 28032 4 0.2278 0.7983 0.000 0.000 0.032 0.908 0.060
#> 28035 1 0.2930 0.6859 0.832 0.000 0.000 0.004 0.164
#> 28036 4 0.2905 0.8078 0.000 0.000 0.036 0.868 0.096
#> 28037 1 0.2674 0.7084 0.856 0.000 0.000 0.004 0.140
#> 28042 4 0.1830 0.8138 0.000 0.000 0.040 0.932 0.028
#> 28043 4 0.2959 0.8073 0.000 0.000 0.036 0.864 0.100
#> 28044 4 0.4061 0.7794 0.000 0.012 0.024 0.776 0.188
#> 28047 4 0.1741 0.8131 0.000 0.000 0.040 0.936 0.024
#> 30001 1 0.2439 0.7206 0.876 0.000 0.000 0.004 0.120
#> 31007 4 0.4560 0.6384 0.000 0.012 0.020 0.700 0.268
#> 31011 4 0.3387 0.8042 0.000 0.004 0.032 0.836 0.128
#> 33005 1 0.2179 0.7291 0.896 0.000 0.000 0.004 0.100
#> 36001 1 0.2719 0.6863 0.852 0.004 0.000 0.000 0.144
#> 36002 3 0.5334 0.6804 0.000 0.000 0.652 0.104 0.244
#> 37013 3 0.4856 0.5924 0.000 0.000 0.584 0.028 0.388
#> 43001 3 0.4491 0.6703 0.000 0.000 0.652 0.020 0.328
#> 43004 4 0.5133 0.5585 0.000 0.012 0.024 0.580 0.384
#> 43007 3 0.2519 0.8462 0.000 0.000 0.884 0.016 0.100
#> 43012 4 0.2756 0.7942 0.000 0.004 0.024 0.880 0.092
#> 48001 1 0.5039 -0.2595 0.604 0.008 0.000 0.028 0.360
#> 49006 3 0.1357 0.8601 0.000 0.000 0.948 0.004 0.048
#> 57001 4 0.2899 0.8061 0.000 0.008 0.036 0.880 0.076
#> 62001 4 0.4061 0.7772 0.000 0.012 0.024 0.776 0.188
#> 62002 4 0.4323 0.7463 0.000 0.012 0.024 0.744 0.220
#> 62003 3 0.5624 0.4141 0.000 0.012 0.544 0.052 0.392
#> 63001 3 0.2921 0.8281 0.000 0.000 0.856 0.020 0.124
#> 64001 3 0.0162 0.8590 0.000 0.000 0.996 0.004 0.000
#> 64002 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0566 0.8598 0.000 0.000 0.984 0.004 0.012
#> 68001 1 0.0000 0.7437 1.000 0.000 0.000 0.000 0.000
#> 68003 3 0.5110 0.7044 0.000 0.000 0.680 0.096 0.224
#> 84004 4 0.6250 0.4220 0.000 0.000 0.256 0.540 0.204
#> LAL5 4 0.1915 0.8145 0.000 0.000 0.040 0.928 0.032
#> 01003 2 0.1281 0.8785 0.000 0.956 0.000 0.012 0.032
#> 01007 2 0.0451 0.8713 0.000 0.988 0.000 0.008 0.004
#> 02020 2 0.2377 0.8511 0.000 0.872 0.000 0.000 0.128
#> 04018 2 0.0404 0.8730 0.000 0.988 0.000 0.012 0.000
#> 09002 2 0.3391 0.8619 0.000 0.800 0.000 0.012 0.188
#> 10005 2 0.6262 0.6766 0.000 0.536 0.120 0.012 0.332
#> 11002 2 0.4063 0.8474 0.000 0.708 0.000 0.012 0.280
#> 12008 2 0.3088 0.8789 0.000 0.828 0.004 0.004 0.164
#> 15006 1 0.1638 0.6842 0.932 0.064 0.000 0.004 0.000
#> 16002 2 0.3081 0.8689 0.000 0.832 0.000 0.012 0.156
#> 16007 2 0.3355 0.8618 0.000 0.804 0.000 0.012 0.184
#> 17003 2 0.4173 0.6273 0.000 0.688 0.000 0.012 0.300
#> 18001 2 0.3863 0.8618 0.000 0.740 0.000 0.012 0.248
#> 19002 2 0.0992 0.8649 0.000 0.968 0.000 0.008 0.024
#> 19008 2 0.3462 0.8623 0.000 0.792 0.000 0.012 0.196
#> 19014 2 0.2471 0.8462 0.000 0.864 0.000 0.000 0.136
#> 19017 2 0.3885 0.8559 0.000 0.724 0.000 0.008 0.268
#> 20005 2 0.3835 0.8631 0.000 0.744 0.000 0.012 0.244
#> 24006 2 0.0579 0.8702 0.000 0.984 0.000 0.008 0.008
#> 26009 1 0.1638 0.6842 0.932 0.064 0.000 0.004 0.000
#> 28008 2 0.3863 0.8560 0.000 0.740 0.000 0.012 0.248
#> 28009 2 0.0992 0.8649 0.000 0.968 0.000 0.008 0.024
#> 31015 2 0.2707 0.8736 0.000 0.860 0.000 0.008 0.132
#> 37001 2 0.0992 0.8649 0.000 0.968 0.000 0.008 0.024
#> 43006 2 0.3562 0.8619 0.000 0.788 0.000 0.016 0.196
#> 43015 2 0.3659 0.8705 0.000 0.768 0.000 0.012 0.220
#> 44001 2 0.0324 0.8738 0.000 0.992 0.000 0.004 0.004
#> 49004 2 0.3355 0.8618 0.000 0.804 0.000 0.012 0.184
#> 56007 2 0.3355 0.8618 0.000 0.804 0.000 0.012 0.184
#> 64005 2 0.1522 0.8685 0.000 0.944 0.000 0.012 0.044
#> 65003 2 0.0865 0.8657 0.000 0.972 0.000 0.004 0.024
#> 83001 2 0.2020 0.8631 0.000 0.900 0.000 0.000 0.100
#> LAL4 2 0.2280 0.8552 0.000 0.880 0.000 0.000 0.120
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0547 0.7344 0.000 0.000 0.980 0.000 0.020 0.000
#> 01010 1 0.1434 0.8357 0.940 0.000 0.000 0.000 0.012 0.048
#> 03002 3 0.4484 0.1527 0.000 0.000 0.516 0.008 0.460 0.016
#> 04006 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 3 0.5381 0.3390 0.000 0.000 0.568 0.064 0.340 0.028
#> 04008 3 0.4037 0.2107 0.380 0.000 0.608 0.000 0.000 0.012
#> 04010 1 0.3418 0.8156 0.784 0.000 0.000 0.000 0.032 0.184
#> 04016 3 0.5240 0.4299 0.000 0.000 0.604 0.068 0.304 0.024
#> 06002 3 0.0665 0.7286 0.000 0.000 0.980 0.004 0.008 0.008
#> 08001 5 0.6113 0.0831 0.000 0.000 0.116 0.396 0.452 0.036
#> 08011 3 0.0748 0.7336 0.000 0.000 0.976 0.004 0.016 0.004
#> 08012 3 0.5262 0.4552 0.000 0.000 0.612 0.068 0.292 0.028
#> 08018 3 0.1946 0.6857 0.000 0.000 0.912 0.072 0.012 0.004
#> 08024 3 0.0964 0.7326 0.000 0.000 0.968 0.004 0.016 0.012
#> 09008 1 0.5415 0.7346 0.628 0.000 0.000 0.028 0.104 0.240
#> 09017 5 0.5033 0.2787 0.000 0.000 0.056 0.192 0.692 0.060
#> 11005 5 0.6215 0.2323 0.000 0.000 0.340 0.112 0.496 0.052
#> 12006 5 0.4895 0.3081 0.000 0.000 0.316 0.012 0.616 0.056
#> 12007 3 0.0692 0.7342 0.000 0.000 0.976 0.000 0.020 0.004
#> 12012 3 0.1138 0.7267 0.000 0.000 0.960 0.004 0.024 0.012
#> 12019 3 0.2662 0.6744 0.000 0.000 0.840 0.004 0.152 0.004
#> 12026 3 0.3699 0.4830 0.000 0.000 0.752 0.000 0.212 0.036
#> 14016 3 0.4514 0.3704 0.000 0.000 0.684 0.004 0.244 0.068
#> 15001 3 0.0405 0.7310 0.000 0.000 0.988 0.004 0.000 0.008
#> 15004 4 0.3366 0.7266 0.000 0.000 0.004 0.824 0.092 0.080
#> 15005 5 0.7436 0.1001 0.200 0.000 0.028 0.084 0.448 0.240
#> 16004 1 0.5455 0.4248 0.564 0.000 0.000 0.000 0.264 0.172
#> 16009 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 5 0.7568 0.1786 0.256 0.000 0.060 0.048 0.424 0.212
#> 20002 1 0.3342 0.6200 0.760 0.000 0.228 0.000 0.000 0.012
#> 22009 3 0.3455 0.5290 0.000 0.000 0.776 0.004 0.200 0.020
#> 22010 4 0.6044 0.2802 0.000 0.004 0.000 0.464 0.264 0.268
#> 22011 3 0.4959 0.4723 0.000 0.000 0.628 0.048 0.300 0.024
#> 22013 3 0.1605 0.7154 0.000 0.000 0.936 0.004 0.044 0.016
#> 24001 3 0.5190 0.4314 0.000 0.000 0.608 0.064 0.304 0.024
#> 24005 4 0.4371 0.6324 0.000 0.000 0.004 0.728 0.168 0.100
#> 24008 3 0.3114 0.6844 0.000 0.000 0.832 0.004 0.128 0.036
#> 24010 5 0.5029 -0.0853 0.000 0.000 0.452 0.004 0.484 0.060
#> 24011 3 0.0405 0.7320 0.000 0.000 0.988 0.000 0.008 0.004
#> 24017 1 0.0777 0.8355 0.972 0.000 0.000 0.000 0.004 0.024
#> 24018 5 0.7198 -0.0775 0.280 0.000 0.012 0.064 0.412 0.232
#> 24019 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3916 0.7090 0.000 0.000 0.004 0.752 0.196 0.048
#> 25003 3 0.3911 0.4310 0.000 0.000 0.624 0.000 0.368 0.008
#> 25006 1 0.0508 0.8345 0.984 0.000 0.000 0.000 0.004 0.012
#> 26001 3 0.0964 0.7271 0.000 0.000 0.968 0.004 0.016 0.012
#> 26003 4 0.3853 0.7106 0.000 0.000 0.004 0.756 0.196 0.044
#> 26005 3 0.0291 0.7310 0.000 0.000 0.992 0.004 0.004 0.000
#> 26008 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 4 0.5267 0.4874 0.000 0.000 0.004 0.536 0.368 0.092
#> 27004 4 0.3758 0.7223 0.000 0.000 0.004 0.772 0.176 0.048
#> 28001 4 0.5776 0.3065 0.000 0.000 0.004 0.448 0.396 0.152
#> 28003 4 0.3272 0.7191 0.000 0.000 0.004 0.824 0.124 0.048
#> 28005 4 0.2250 0.7612 0.000 0.000 0.000 0.888 0.092 0.020
#> 28006 4 0.3876 0.7388 0.000 0.000 0.004 0.772 0.156 0.068
#> 28007 4 0.1926 0.7558 0.000 0.000 0.000 0.912 0.068 0.020
#> 28019 1 0.4325 0.7977 0.724 0.000 0.000 0.012 0.056 0.208
#> 28021 1 0.4701 0.7873 0.700 0.000 0.000 0.028 0.056 0.216
#> 28023 4 0.1232 0.7611 0.000 0.000 0.004 0.956 0.016 0.024
#> 28024 4 0.1807 0.7557 0.000 0.000 0.000 0.920 0.060 0.020
#> 28028 4 0.3974 0.6920 0.000 0.000 0.004 0.772 0.108 0.116
#> 28031 4 0.3229 0.7210 0.000 0.000 0.004 0.828 0.120 0.048
#> 28032 4 0.3885 0.6965 0.000 0.000 0.004 0.780 0.100 0.116
#> 28035 1 0.4701 0.7873 0.700 0.000 0.000 0.028 0.056 0.216
#> 28036 4 0.3884 0.7167 0.000 0.000 0.004 0.760 0.184 0.052
#> 28037 1 0.4647 0.7907 0.708 0.000 0.000 0.028 0.056 0.208
#> 28042 4 0.0964 0.7635 0.000 0.000 0.004 0.968 0.016 0.012
#> 28043 4 0.3663 0.7181 0.000 0.000 0.004 0.776 0.180 0.040
#> 28044 4 0.3596 0.7327 0.000 0.000 0.004 0.784 0.172 0.040
#> 28047 4 0.0862 0.7627 0.000 0.000 0.004 0.972 0.008 0.016
#> 30001 1 0.3744 0.8084 0.756 0.000 0.000 0.000 0.044 0.200
#> 31007 4 0.5739 0.4345 0.000 0.000 0.004 0.528 0.284 0.184
#> 31011 4 0.3245 0.7383 0.000 0.000 0.004 0.796 0.184 0.016
#> 33005 1 0.3345 0.8165 0.788 0.000 0.000 0.000 0.028 0.184
#> 36001 1 0.4431 0.7836 0.712 0.000 0.000 0.004 0.084 0.200
#> 36002 5 0.5608 0.2147 0.000 0.000 0.348 0.124 0.520 0.008
#> 37013 5 0.5124 0.3131 0.000 0.000 0.324 0.008 0.588 0.080
#> 43001 5 0.5304 0.1789 0.000 0.000 0.388 0.004 0.516 0.092
#> 43004 4 0.5661 0.3502 0.000 0.000 0.004 0.444 0.420 0.132
#> 43007 3 0.4456 0.5175 0.000 0.000 0.672 0.044 0.276 0.008
#> 43012 4 0.2094 0.7543 0.000 0.000 0.004 0.908 0.064 0.024
#> 48001 1 0.6577 0.3423 0.424 0.000 0.000 0.032 0.304 0.240
#> 49006 3 0.3121 0.6468 0.000 0.000 0.796 0.004 0.192 0.008
#> 57001 4 0.1707 0.7614 0.000 0.000 0.004 0.928 0.056 0.012
#> 62001 4 0.4091 0.7137 0.000 0.000 0.004 0.732 0.212 0.052
#> 62002 4 0.4702 0.6131 0.000 0.000 0.004 0.612 0.332 0.052
#> 62003 5 0.6584 0.3321 0.000 0.000 0.288 0.080 0.496 0.136
#> 63001 3 0.5151 0.5241 0.000 0.000 0.664 0.016 0.176 0.144
#> 64001 3 0.0692 0.7338 0.000 0.000 0.976 0.000 0.020 0.004
#> 64002 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.1116 0.7310 0.000 0.000 0.960 0.004 0.028 0.008
#> 68001 1 0.0000 0.8329 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.5595 0.1670 0.000 0.000 0.372 0.076 0.524 0.028
#> 84004 5 0.6326 0.1251 0.000 0.000 0.132 0.384 0.440 0.044
#> LAL5 4 0.1194 0.7627 0.000 0.000 0.004 0.956 0.032 0.008
#> 01003 2 0.3073 0.4967 0.000 0.788 0.000 0.000 0.008 0.204
#> 01007 2 0.3314 0.4780 0.000 0.764 0.000 0.000 0.012 0.224
#> 02020 2 0.4499 0.0592 0.000 0.540 0.000 0.000 0.032 0.428
#> 04018 2 0.3314 0.4780 0.000 0.764 0.000 0.000 0.012 0.224
#> 09002 2 0.2119 0.5373 0.000 0.904 0.000 0.000 0.036 0.060
#> 10005 2 0.6183 0.1102 0.000 0.564 0.080 0.000 0.104 0.252
#> 11002 2 0.3885 0.3688 0.000 0.736 0.000 0.000 0.044 0.220
#> 12008 2 0.3236 0.5328 0.000 0.796 0.000 0.000 0.024 0.180
#> 15006 1 0.1434 0.8019 0.940 0.048 0.000 0.000 0.012 0.000
#> 16002 2 0.0363 0.5529 0.000 0.988 0.000 0.000 0.012 0.000
#> 16007 2 0.1462 0.5437 0.000 0.936 0.000 0.000 0.008 0.056
#> 17003 6 0.5538 0.0000 0.000 0.340 0.000 0.000 0.148 0.512
#> 18001 2 0.3088 0.4606 0.000 0.808 0.000 0.000 0.020 0.172
#> 19002 2 0.3445 0.4496 0.000 0.744 0.000 0.000 0.012 0.244
#> 19008 2 0.2308 0.5339 0.000 0.892 0.000 0.000 0.040 0.068
#> 19014 2 0.4504 0.0346 0.000 0.536 0.000 0.000 0.032 0.432
#> 19017 2 0.3602 0.4537 0.000 0.760 0.000 0.000 0.032 0.208
#> 20005 2 0.3172 0.4775 0.000 0.816 0.000 0.000 0.036 0.148
#> 24006 2 0.3342 0.4757 0.000 0.760 0.000 0.000 0.012 0.228
#> 26009 1 0.1434 0.8019 0.940 0.048 0.000 0.000 0.012 0.000
#> 28008 2 0.3098 0.4551 0.000 0.812 0.000 0.000 0.024 0.164
#> 28009 2 0.3394 0.4594 0.000 0.752 0.000 0.000 0.012 0.236
#> 31015 2 0.4230 0.3167 0.000 0.612 0.000 0.000 0.024 0.364
#> 37001 2 0.3445 0.4496 0.000 0.744 0.000 0.000 0.012 0.244
#> 43006 2 0.2433 0.5290 0.000 0.884 0.000 0.000 0.044 0.072
#> 43015 2 0.3652 0.4679 0.000 0.720 0.000 0.000 0.016 0.264
#> 44001 2 0.3023 0.4797 0.000 0.768 0.000 0.000 0.000 0.232
#> 49004 2 0.2119 0.5373 0.000 0.904 0.000 0.000 0.036 0.060
#> 56007 2 0.2119 0.5373 0.000 0.904 0.000 0.000 0.036 0.060
#> 64005 2 0.3670 0.4272 0.000 0.704 0.000 0.000 0.012 0.284
#> 65003 2 0.3215 0.4620 0.000 0.756 0.000 0.000 0.004 0.240
#> 83001 2 0.3765 0.2896 0.000 0.596 0.000 0.000 0.000 0.404
#> LAL4 2 0.4429 0.1041 0.000 0.548 0.000 0.000 0.028 0.424
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:kmeans 122 0.235 0.831 1.58e-01 2
#> SD:kmeans 96 0.128 0.535 7.54e-14 3
#> SD:kmeans 126 0.163 0.703 2.24e-20 4
#> SD:kmeans 117 0.334 0.723 2.36e-18 5
#> SD:kmeans 74 0.536 0.929 1.98e-10 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "skmeans"]
# you can also extract it by
# res = res_list["SD:skmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.599 0.829 0.923 0.4906 0.497 0.497
#> 3 3 0.748 0.870 0.928 0.3405 0.765 0.563
#> 4 4 1.000 0.965 0.987 0.1451 0.848 0.591
#> 5 5 0.852 0.760 0.879 0.0596 0.941 0.770
#> 6 6 0.798 0.646 0.796 0.0341 0.970 0.861
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0376 0.928 0.996 0.004
#> 01010 1 0.0000 0.929 1.000 0.000
#> 03002 1 0.5629 0.790 0.868 0.132
#> 04006 1 0.0000 0.929 1.000 0.000
#> 04007 2 0.9710 0.467 0.400 0.600
#> 04008 1 0.0000 0.929 1.000 0.000
#> 04010 1 0.0000 0.929 1.000 0.000
#> 04016 1 0.9993 -0.129 0.516 0.484
#> 06002 1 0.0376 0.928 0.996 0.004
#> 08001 2 0.7219 0.808 0.200 0.800
#> 08011 1 0.0376 0.928 0.996 0.004
#> 08012 2 0.7219 0.808 0.200 0.800
#> 08018 1 0.1633 0.913 0.976 0.024
#> 08024 1 0.0376 0.928 0.996 0.004
#> 09008 1 0.0000 0.929 1.000 0.000
#> 09017 2 0.9087 0.634 0.324 0.676
#> 11005 2 0.7219 0.808 0.200 0.800
#> 12006 1 0.0376 0.928 0.996 0.004
#> 12007 1 0.0376 0.928 0.996 0.004
#> 12012 1 0.0376 0.928 0.996 0.004
#> 12019 1 0.0376 0.928 0.996 0.004
#> 12026 1 0.0000 0.929 1.000 0.000
#> 14016 1 0.0000 0.929 1.000 0.000
#> 15001 1 0.0376 0.928 0.996 0.004
#> 15004 2 0.2603 0.877 0.044 0.956
#> 15005 1 0.0000 0.929 1.000 0.000
#> 16004 1 0.0000 0.929 1.000 0.000
#> 16009 1 0.0000 0.929 1.000 0.000
#> 19005 1 0.0000 0.929 1.000 0.000
#> 20002 1 0.0000 0.929 1.000 0.000
#> 22009 1 0.0000 0.929 1.000 0.000
#> 22010 2 0.0376 0.889 0.004 0.996
#> 22011 1 1.0000 -0.173 0.504 0.496
#> 22013 1 0.0000 0.929 1.000 0.000
#> 24001 1 0.9998 -0.159 0.508 0.492
#> 24005 2 0.7219 0.808 0.200 0.800
#> 24008 1 0.0376 0.928 0.996 0.004
#> 24010 1 0.8955 0.455 0.688 0.312
#> 24011 1 0.0376 0.928 0.996 0.004
#> 24017 1 0.0000 0.929 1.000 0.000
#> 24018 1 0.0000 0.929 1.000 0.000
#> 24019 1 0.0000 0.929 1.000 0.000
#> 24022 2 0.7139 0.811 0.196 0.804
#> 25003 1 0.0376 0.928 0.996 0.004
#> 25006 1 0.0000 0.929 1.000 0.000
#> 26001 1 0.0000 0.929 1.000 0.000
#> 26003 2 0.7219 0.808 0.200 0.800
#> 26005 1 0.0376 0.928 0.996 0.004
#> 26008 1 0.0000 0.929 1.000 0.000
#> 27003 2 0.7299 0.807 0.204 0.796
#> 27004 2 0.7219 0.808 0.200 0.800
#> 28001 1 0.6531 0.737 0.832 0.168
#> 28003 2 0.0376 0.889 0.004 0.996
#> 28005 2 0.7219 0.808 0.200 0.800
#> 28006 2 0.7219 0.808 0.200 0.800
#> 28007 2 0.7219 0.808 0.200 0.800
#> 28019 1 0.0000 0.929 1.000 0.000
#> 28021 1 0.0000 0.929 1.000 0.000
#> 28023 2 0.7219 0.808 0.200 0.800
#> 28024 2 0.7219 0.808 0.200 0.800
#> 28028 2 0.0376 0.889 0.004 0.996
#> 28031 1 0.7299 0.687 0.796 0.204
#> 28032 2 0.0000 0.890 0.000 1.000
#> 28035 1 0.0000 0.929 1.000 0.000
#> 28036 2 0.6887 0.818 0.184 0.816
#> 28037 1 0.0000 0.929 1.000 0.000
#> 28042 2 0.0000 0.890 0.000 1.000
#> 28043 2 0.7219 0.808 0.200 0.800
#> 28044 2 0.7299 0.807 0.204 0.796
#> 28047 2 0.6438 0.827 0.164 0.836
#> 30001 1 0.0000 0.929 1.000 0.000
#> 31007 2 0.0376 0.889 0.004 0.996
#> 31011 2 0.7219 0.808 0.200 0.800
#> 33005 1 0.0000 0.929 1.000 0.000
#> 36001 1 0.0000 0.929 1.000 0.000
#> 36002 1 0.9996 -0.144 0.512 0.488
#> 37013 1 0.0000 0.929 1.000 0.000
#> 43001 1 0.0000 0.929 1.000 0.000
#> 43004 1 0.0000 0.929 1.000 0.000
#> 43007 2 0.9552 0.523 0.376 0.624
#> 43012 2 0.0000 0.890 0.000 1.000
#> 48001 1 0.0000 0.929 1.000 0.000
#> 49006 1 0.0376 0.928 0.996 0.004
#> 57001 2 0.1633 0.884 0.024 0.976
#> 62001 2 0.7299 0.807 0.204 0.796
#> 62002 2 0.7299 0.807 0.204 0.796
#> 62003 1 0.0000 0.929 1.000 0.000
#> 63001 2 0.9635 0.496 0.388 0.612
#> 64001 1 0.0376 0.928 0.996 0.004
#> 64002 1 0.0000 0.929 1.000 0.000
#> 65005 1 0.0376 0.928 0.996 0.004
#> 68001 1 0.0000 0.929 1.000 0.000
#> 68003 2 1.0000 0.177 0.496 0.504
#> 84004 2 0.7219 0.808 0.200 0.800
#> LAL5 2 0.0000 0.890 0.000 1.000
#> 01003 2 0.0000 0.890 0.000 1.000
#> 01007 2 0.0376 0.889 0.004 0.996
#> 02020 2 0.0376 0.889 0.004 0.996
#> 04018 2 0.0000 0.890 0.000 1.000
#> 09002 2 0.0000 0.890 0.000 1.000
#> 10005 2 0.0000 0.890 0.000 1.000
#> 11002 2 0.0000 0.890 0.000 1.000
#> 12008 2 0.0000 0.890 0.000 1.000
#> 15006 1 0.7219 0.708 0.800 0.200
#> 16002 2 0.0000 0.890 0.000 1.000
#> 16007 2 0.0000 0.890 0.000 1.000
#> 17003 1 0.9522 0.440 0.628 0.372
#> 18001 2 0.0000 0.890 0.000 1.000
#> 19002 2 0.0376 0.889 0.004 0.996
#> 19008 2 0.0000 0.890 0.000 1.000
#> 19014 2 0.0376 0.889 0.004 0.996
#> 19017 2 0.0000 0.890 0.000 1.000
#> 20005 2 0.0000 0.890 0.000 1.000
#> 24006 2 0.0376 0.889 0.004 0.996
#> 26009 1 0.7219 0.708 0.800 0.200
#> 28008 2 0.0000 0.890 0.000 1.000
#> 28009 2 0.0376 0.889 0.004 0.996
#> 31015 2 0.0000 0.890 0.000 1.000
#> 37001 2 0.0376 0.889 0.004 0.996
#> 43006 2 0.0000 0.890 0.000 1.000
#> 43015 2 0.0000 0.890 0.000 1.000
#> 44001 2 0.0000 0.890 0.000 1.000
#> 49004 2 0.0000 0.890 0.000 1.000
#> 56007 2 0.0000 0.890 0.000 1.000
#> 64005 2 0.0376 0.889 0.004 0.996
#> 65003 2 0.0376 0.889 0.004 0.996
#> 83001 2 0.0376 0.889 0.004 0.996
#> LAL4 2 0.0376 0.889 0.004 0.996
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.974 0.000 0.000 1.000
#> 01010 1 0.0000 0.964 1.000 0.000 0.000
#> 03002 3 0.0000 0.974 0.000 0.000 1.000
#> 04006 1 0.0000 0.964 1.000 0.000 0.000
#> 04007 3 0.0000 0.974 0.000 0.000 1.000
#> 04008 1 0.0000 0.964 1.000 0.000 0.000
#> 04010 1 0.0000 0.964 1.000 0.000 0.000
#> 04016 3 0.0000 0.974 0.000 0.000 1.000
#> 06002 3 0.1031 0.953 0.024 0.000 0.976
#> 08001 3 0.0000 0.974 0.000 0.000 1.000
#> 08011 3 0.0000 0.974 0.000 0.000 1.000
#> 08012 3 0.0000 0.974 0.000 0.000 1.000
#> 08018 3 0.0424 0.967 0.008 0.000 0.992
#> 08024 3 0.0000 0.974 0.000 0.000 1.000
#> 09008 1 0.0000 0.964 1.000 0.000 0.000
#> 09017 3 0.0000 0.974 0.000 0.000 1.000
#> 11005 3 0.0000 0.974 0.000 0.000 1.000
#> 12006 3 0.0000 0.974 0.000 0.000 1.000
#> 12007 3 0.0000 0.974 0.000 0.000 1.000
#> 12012 3 0.0000 0.974 0.000 0.000 1.000
#> 12019 3 0.0000 0.974 0.000 0.000 1.000
#> 12026 3 0.3192 0.862 0.112 0.000 0.888
#> 14016 3 0.2711 0.888 0.088 0.000 0.912
#> 15001 3 0.0000 0.974 0.000 0.000 1.000
#> 15004 2 0.7216 0.730 0.176 0.712 0.112
#> 15005 1 0.0000 0.964 1.000 0.000 0.000
#> 16004 1 0.0000 0.964 1.000 0.000 0.000
#> 16009 1 0.0000 0.964 1.000 0.000 0.000
#> 19005 1 0.0000 0.964 1.000 0.000 0.000
#> 20002 1 0.0000 0.964 1.000 0.000 0.000
#> 22009 3 0.0000 0.974 0.000 0.000 1.000
#> 22010 2 0.0000 0.855 0.000 1.000 0.000
#> 22011 3 0.0000 0.974 0.000 0.000 1.000
#> 22013 3 0.0000 0.974 0.000 0.000 1.000
#> 24001 3 0.0000 0.974 0.000 0.000 1.000
#> 24005 2 0.5497 0.716 0.000 0.708 0.292
#> 24008 3 0.0000 0.974 0.000 0.000 1.000
#> 24010 3 0.0000 0.974 0.000 0.000 1.000
#> 24011 3 0.0000 0.974 0.000 0.000 1.000
#> 24017 1 0.0000 0.964 1.000 0.000 0.000
#> 24018 1 0.0000 0.964 1.000 0.000 0.000
#> 24019 1 0.0000 0.964 1.000 0.000 0.000
#> 24022 2 0.5497 0.716 0.000 0.708 0.292
#> 25003 3 0.0000 0.974 0.000 0.000 1.000
#> 25006 1 0.0000 0.964 1.000 0.000 0.000
#> 26001 3 0.4931 0.680 0.232 0.000 0.768
#> 26003 2 0.5497 0.716 0.000 0.708 0.292
#> 26005 3 0.0000 0.974 0.000 0.000 1.000
#> 26008 1 0.0000 0.964 1.000 0.000 0.000
#> 27003 2 0.6447 0.761 0.060 0.744 0.196
#> 27004 2 0.5497 0.716 0.000 0.708 0.292
#> 28001 1 0.3797 0.876 0.892 0.056 0.052
#> 28003 2 0.5465 0.646 0.288 0.712 0.000
#> 28005 2 0.5497 0.716 0.000 0.708 0.292
#> 28006 2 0.5497 0.716 0.000 0.708 0.292
#> 28007 2 0.5497 0.716 0.000 0.708 0.292
#> 28019 1 0.0000 0.964 1.000 0.000 0.000
#> 28021 1 0.0000 0.964 1.000 0.000 0.000
#> 28023 2 0.6521 0.685 0.248 0.712 0.040
#> 28024 2 0.5497 0.716 0.000 0.708 0.292
#> 28028 2 0.5497 0.716 0.000 0.708 0.292
#> 28031 1 0.0237 0.961 0.996 0.004 0.000
#> 28032 2 0.5465 0.719 0.000 0.712 0.288
#> 28035 1 0.0000 0.964 1.000 0.000 0.000
#> 28036 2 0.5497 0.716 0.000 0.708 0.292
#> 28037 1 0.0000 0.964 1.000 0.000 0.000
#> 28042 2 0.0000 0.855 0.000 1.000 0.000
#> 28043 2 0.5497 0.716 0.000 0.708 0.292
#> 28044 2 0.6738 0.517 0.356 0.624 0.020
#> 28047 2 0.7216 0.730 0.176 0.712 0.112
#> 30001 1 0.0000 0.964 1.000 0.000 0.000
#> 31007 2 0.5138 0.688 0.252 0.748 0.000
#> 31011 2 0.5497 0.716 0.000 0.708 0.292
#> 33005 1 0.0000 0.964 1.000 0.000 0.000
#> 36001 1 0.0000 0.964 1.000 0.000 0.000
#> 36002 3 0.0000 0.974 0.000 0.000 1.000
#> 37013 3 0.0000 0.974 0.000 0.000 1.000
#> 43001 3 0.2711 0.888 0.088 0.000 0.912
#> 43004 1 0.1031 0.942 0.976 0.000 0.024
#> 43007 3 0.0000 0.974 0.000 0.000 1.000
#> 43012 2 0.4555 0.737 0.200 0.800 0.000
#> 48001 1 0.0000 0.964 1.000 0.000 0.000
#> 49006 3 0.0000 0.974 0.000 0.000 1.000
#> 57001 2 0.4555 0.737 0.200 0.800 0.000
#> 62001 1 0.6026 0.602 0.732 0.244 0.024
#> 62002 2 0.5529 0.711 0.000 0.704 0.296
#> 62003 1 0.0000 0.964 1.000 0.000 0.000
#> 63001 3 0.0000 0.974 0.000 0.000 1.000
#> 64001 3 0.0000 0.974 0.000 0.000 1.000
#> 64002 1 0.0000 0.964 1.000 0.000 0.000
#> 65005 3 0.0000 0.974 0.000 0.000 1.000
#> 68001 1 0.0000 0.964 1.000 0.000 0.000
#> 68003 3 0.0000 0.974 0.000 0.000 1.000
#> 84004 3 0.0000 0.974 0.000 0.000 1.000
#> LAL5 2 0.5465 0.719 0.000 0.712 0.288
#> 01003 2 0.0000 0.855 0.000 1.000 0.000
#> 01007 2 0.0000 0.855 0.000 1.000 0.000
#> 02020 2 0.0000 0.855 0.000 1.000 0.000
#> 04018 2 0.0000 0.855 0.000 1.000 0.000
#> 09002 2 0.0000 0.855 0.000 1.000 0.000
#> 10005 3 0.5760 0.527 0.000 0.328 0.672
#> 11002 2 0.0000 0.855 0.000 1.000 0.000
#> 12008 2 0.6154 0.225 0.000 0.592 0.408
#> 15006 1 0.4555 0.768 0.800 0.200 0.000
#> 16002 2 0.0000 0.855 0.000 1.000 0.000
#> 16007 2 0.0000 0.855 0.000 1.000 0.000
#> 17003 1 0.5465 0.650 0.712 0.288 0.000
#> 18001 2 0.0000 0.855 0.000 1.000 0.000
#> 19002 2 0.0000 0.855 0.000 1.000 0.000
#> 19008 2 0.0000 0.855 0.000 1.000 0.000
#> 19014 2 0.0000 0.855 0.000 1.000 0.000
#> 19017 2 0.0000 0.855 0.000 1.000 0.000
#> 20005 2 0.0000 0.855 0.000 1.000 0.000
#> 24006 2 0.0000 0.855 0.000 1.000 0.000
#> 26009 1 0.4555 0.768 0.800 0.200 0.000
#> 28008 2 0.0000 0.855 0.000 1.000 0.000
#> 28009 2 0.0000 0.855 0.000 1.000 0.000
#> 31015 2 0.0000 0.855 0.000 1.000 0.000
#> 37001 2 0.0000 0.855 0.000 1.000 0.000
#> 43006 2 0.0000 0.855 0.000 1.000 0.000
#> 43015 2 0.0000 0.855 0.000 1.000 0.000
#> 44001 2 0.0000 0.855 0.000 1.000 0.000
#> 49004 2 0.0000 0.855 0.000 1.000 0.000
#> 56007 2 0.0000 0.855 0.000 1.000 0.000
#> 64005 2 0.0000 0.855 0.000 1.000 0.000
#> 65003 2 0.0000 0.855 0.000 1.000 0.000
#> 83001 2 0.0000 0.855 0.000 1.000 0.000
#> LAL4 2 0.0000 0.855 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 04008 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 08001 4 0.4972 0.164 0.000 0.000 0.456 0.544
#> 08011 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 08018 3 0.0592 0.971 0.000 0.000 0.984 0.016
#> 08024 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 09017 4 0.3837 0.701 0.000 0.000 0.224 0.776
#> 11005 3 0.0188 0.982 0.000 0.000 0.996 0.004
#> 12006 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 15005 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 16004 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 20002 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 22009 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 22010 4 0.4543 0.521 0.000 0.324 0.000 0.676
#> 22011 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 24018 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 24019 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28001 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28003 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28031 4 0.0188 0.962 0.004 0.000 0.000 0.996
#> 28032 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 31007 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 31011 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 36002 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 37013 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 48001 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 57001 4 0.0336 0.959 0.008 0.000 0.000 0.992
#> 62001 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 62003 1 0.1022 0.963 0.968 0.000 0.032 0.000
#> 63001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.994 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.986 0.000 0.000 1.000 0.000
#> 84004 3 0.4972 0.113 0.000 0.000 0.544 0.456
#> LAL5 4 0.0000 0.965 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 10005 2 0.1022 0.964 0.000 0.968 0.032 0.000
#> 11002 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 15006 1 0.1557 0.942 0.944 0.056 0.000 0.000
#> 16002 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 17003 2 0.1474 0.945 0.052 0.948 0.000 0.000
#> 18001 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 26009 1 0.1557 0.942 0.944 0.056 0.000 0.000
#> 28008 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.997 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.997 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0000 0.7445 0.000 0.000 1.000 0.000 0.000
#> 01010 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 03002 5 0.4227 0.3657 0.000 0.000 0.420 0.000 0.580
#> 04006 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.4367 0.2523 0.000 0.000 0.580 0.004 0.416
#> 04008 3 0.4297 0.0905 0.472 0.000 0.528 0.000 0.000
#> 04010 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.4331 0.2961 0.000 0.000 0.596 0.004 0.400
#> 06002 3 0.0162 0.7444 0.000 0.000 0.996 0.000 0.004
#> 08001 5 0.4854 0.3733 0.000 0.000 0.060 0.260 0.680
#> 08011 3 0.0000 0.7445 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.5048 0.2748 0.000 0.000 0.580 0.040 0.380
#> 08018 3 0.3010 0.5860 0.000 0.000 0.824 0.172 0.004
#> 08024 3 0.0162 0.7444 0.000 0.000 0.996 0.000 0.004
#> 09008 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 09017 5 0.1800 0.6216 0.000 0.000 0.020 0.048 0.932
#> 11005 5 0.3318 0.6541 0.000 0.000 0.192 0.008 0.800
#> 12006 5 0.2605 0.6224 0.000 0.000 0.148 0.000 0.852
#> 12007 3 0.1478 0.7257 0.000 0.000 0.936 0.000 0.064
#> 12012 3 0.1270 0.7294 0.000 0.000 0.948 0.000 0.052
#> 12019 3 0.0963 0.7333 0.000 0.000 0.964 0.000 0.036
#> 12026 3 0.3774 0.4884 0.000 0.000 0.704 0.000 0.296
#> 14016 3 0.3796 0.4828 0.000 0.000 0.700 0.000 0.300
#> 15001 3 0.0000 0.7445 0.000 0.000 1.000 0.000 0.000
#> 15004 4 0.0404 0.7998 0.000 0.000 0.000 0.988 0.012
#> 15005 1 0.0290 0.9606 0.992 0.000 0.000 0.000 0.008
#> 16004 1 0.1908 0.8987 0.908 0.000 0.000 0.000 0.092
#> 16009 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.1571 0.9241 0.936 0.000 0.000 0.004 0.060
#> 20002 1 0.0794 0.9424 0.972 0.000 0.028 0.000 0.000
#> 22009 3 0.3774 0.4900 0.000 0.000 0.704 0.000 0.296
#> 22010 2 0.6450 -0.0579 0.000 0.436 0.000 0.384 0.180
#> 22011 3 0.4150 0.3218 0.000 0.000 0.612 0.000 0.388
#> 22013 3 0.3003 0.6196 0.000 0.000 0.812 0.000 0.188
#> 24001 3 0.4331 0.2952 0.000 0.000 0.596 0.004 0.400
#> 24005 4 0.2690 0.7141 0.000 0.000 0.000 0.844 0.156
#> 24008 3 0.0880 0.7365 0.000 0.000 0.968 0.000 0.032
#> 24010 5 0.4150 0.4330 0.000 0.000 0.388 0.000 0.612
#> 24011 3 0.0703 0.7399 0.000 0.000 0.976 0.000 0.024
#> 24017 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 24018 1 0.2891 0.8091 0.824 0.000 0.000 0.000 0.176
#> 24019 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3949 0.7047 0.000 0.000 0.000 0.668 0.332
#> 25003 3 0.4278 0.1931 0.000 0.000 0.548 0.000 0.452
#> 25006 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2074 0.6952 0.000 0.000 0.896 0.000 0.104
#> 26003 4 0.3949 0.7047 0.000 0.000 0.000 0.668 0.332
#> 26005 3 0.0162 0.7444 0.000 0.000 0.996 0.000 0.004
#> 26008 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.4249 0.5441 0.000 0.000 0.000 0.568 0.432
#> 27004 4 0.3612 0.7398 0.000 0.000 0.000 0.732 0.268
#> 28001 5 0.4640 -0.1957 0.000 0.000 0.016 0.400 0.584
#> 28003 4 0.0404 0.7990 0.000 0.000 0.000 0.988 0.012
#> 28005 4 0.2966 0.7855 0.000 0.000 0.000 0.816 0.184
#> 28006 4 0.3612 0.7403 0.000 0.000 0.000 0.732 0.268
#> 28007 4 0.1671 0.8060 0.000 0.000 0.000 0.924 0.076
#> 28019 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 28023 4 0.0290 0.8004 0.000 0.000 0.000 0.992 0.008
#> 28024 4 0.1478 0.7985 0.000 0.000 0.000 0.936 0.064
#> 28028 4 0.1608 0.7898 0.000 0.000 0.000 0.928 0.072
#> 28031 4 0.0609 0.7966 0.000 0.000 0.000 0.980 0.020
#> 28032 4 0.1121 0.7998 0.000 0.000 0.000 0.956 0.044
#> 28035 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 28036 4 0.3796 0.7286 0.000 0.000 0.000 0.700 0.300
#> 28037 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 28042 4 0.0162 0.8009 0.000 0.000 0.000 0.996 0.004
#> 28043 4 0.3774 0.7318 0.000 0.000 0.000 0.704 0.296
#> 28044 4 0.3366 0.7591 0.000 0.000 0.000 0.768 0.232
#> 28047 4 0.0290 0.8004 0.000 0.000 0.000 0.992 0.008
#> 30001 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 31007 4 0.2020 0.7458 0.000 0.000 0.000 0.900 0.100
#> 31011 4 0.3932 0.7072 0.000 0.000 0.000 0.672 0.328
#> 33005 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 36002 5 0.4181 0.5556 0.000 0.000 0.268 0.020 0.712
#> 37013 5 0.2648 0.6238 0.000 0.000 0.152 0.000 0.848
#> 43001 5 0.3932 0.2875 0.000 0.000 0.328 0.000 0.672
#> 43004 4 0.4538 0.4919 0.008 0.000 0.000 0.540 0.452
#> 43007 3 0.3461 0.5841 0.000 0.000 0.772 0.004 0.224
#> 43012 4 0.0290 0.7999 0.000 0.000 0.000 0.992 0.008
#> 48001 1 0.1341 0.9290 0.944 0.000 0.000 0.000 0.056
#> 49006 3 0.3242 0.5684 0.000 0.000 0.784 0.000 0.216
#> 57001 4 0.1357 0.7969 0.000 0.000 0.004 0.948 0.048
#> 62001 4 0.3661 0.7328 0.000 0.000 0.000 0.724 0.276
#> 62002 4 0.4114 0.6568 0.000 0.000 0.000 0.624 0.376
#> 62003 1 0.5272 0.4957 0.620 0.000 0.072 0.000 0.308
#> 63001 3 0.2236 0.7075 0.000 0.000 0.908 0.024 0.068
#> 64001 3 0.0162 0.7446 0.000 0.000 0.996 0.000 0.004
#> 64002 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0162 0.7446 0.000 0.000 0.996 0.000 0.004
#> 68001 1 0.0000 0.9648 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.3196 0.6500 0.000 0.000 0.192 0.004 0.804
#> 84004 5 0.5301 0.5712 0.000 0.000 0.176 0.148 0.676
#> LAL5 4 0.1270 0.7986 0.000 0.000 0.000 0.948 0.052
#> 01003 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 01007 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 02020 2 0.0290 0.9597 0.000 0.992 0.000 0.000 0.008
#> 04018 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 09002 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 10005 2 0.4844 0.4872 0.000 0.668 0.280 0.000 0.052
#> 11002 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 12008 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 15006 1 0.1043 0.9309 0.960 0.040 0.000 0.000 0.000
#> 16002 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 17003 2 0.3354 0.8078 0.088 0.844 0.000 0.000 0.068
#> 18001 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 19002 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 19008 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 19014 2 0.0290 0.9597 0.000 0.992 0.000 0.000 0.008
#> 19017 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 20005 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 24006 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 26009 1 0.1197 0.9226 0.952 0.048 0.000 0.000 0.000
#> 28008 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 28009 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 31015 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 37001 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 43006 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 43015 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 44001 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 49004 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.9622 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 65003 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> 83001 2 0.0162 0.9619 0.000 0.996 0.000 0.000 0.004
#> LAL4 2 0.0290 0.9597 0.000 0.992 0.000 0.000 0.008
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0260 0.7490 0.000 0.000 0.992 0.000 0.008 0.000
#> 01010 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 5 0.4414 0.5866 0.000 0.000 0.260 0.000 0.676 0.064
#> 04006 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 5 0.5276 0.2968 0.000 0.000 0.424 0.016 0.500 0.060
#> 04008 3 0.4047 0.3135 0.384 0.000 0.604 0.000 0.000 0.012
#> 04010 1 0.0146 0.9365 0.996 0.000 0.000 0.000 0.000 0.004
#> 04016 5 0.5751 0.2587 0.000 0.000 0.424 0.020 0.456 0.100
#> 06002 3 0.0622 0.7492 0.000 0.000 0.980 0.000 0.008 0.012
#> 08001 5 0.5124 0.4002 0.000 0.000 0.028 0.176 0.680 0.116
#> 08011 3 0.0146 0.7486 0.000 0.000 0.996 0.000 0.004 0.000
#> 08012 3 0.6076 -0.2855 0.000 0.000 0.436 0.056 0.428 0.080
#> 08018 3 0.2442 0.6489 0.000 0.000 0.852 0.144 0.004 0.000
#> 08024 3 0.0520 0.7496 0.000 0.000 0.984 0.000 0.008 0.008
#> 09008 1 0.1285 0.9223 0.944 0.000 0.000 0.004 0.000 0.052
#> 09017 5 0.3934 0.1392 0.000 0.000 0.000 0.020 0.676 0.304
#> 11005 5 0.4391 0.5382 0.000 0.000 0.108 0.016 0.748 0.128
#> 12006 5 0.2776 0.5214 0.000 0.000 0.052 0.000 0.860 0.088
#> 12007 3 0.1531 0.7365 0.000 0.000 0.928 0.000 0.068 0.004
#> 12012 3 0.2480 0.7134 0.000 0.000 0.872 0.000 0.104 0.024
#> 12019 3 0.1531 0.7198 0.000 0.000 0.928 0.000 0.068 0.004
#> 12026 3 0.4527 0.4905 0.000 0.000 0.660 0.000 0.272 0.068
#> 14016 3 0.5279 0.3307 0.000 0.000 0.548 0.000 0.336 0.116
#> 15001 3 0.0363 0.7489 0.000 0.000 0.988 0.000 0.000 0.012
#> 15004 4 0.3110 0.5507 0.000 0.000 0.000 0.792 0.012 0.196
#> 15005 1 0.2189 0.9001 0.904 0.000 0.000 0.004 0.032 0.060
#> 16004 1 0.3134 0.8155 0.820 0.000 0.000 0.000 0.036 0.144
#> 16009 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 1 0.3456 0.7989 0.800 0.000 0.004 0.004 0.028 0.164
#> 20002 1 0.1151 0.9150 0.956 0.000 0.032 0.000 0.000 0.012
#> 22009 3 0.4038 0.5749 0.000 0.000 0.728 0.000 0.216 0.056
#> 22010 6 0.6103 0.0820 0.000 0.252 0.000 0.196 0.024 0.528
#> 22011 3 0.5281 -0.2849 0.000 0.000 0.456 0.004 0.456 0.084
#> 22013 3 0.3614 0.6071 0.000 0.000 0.752 0.000 0.220 0.028
#> 24001 5 0.5576 0.2556 0.000 0.000 0.436 0.016 0.460 0.088
#> 24005 4 0.4828 0.3964 0.000 0.000 0.000 0.664 0.136 0.200
#> 24008 3 0.2509 0.6859 0.000 0.000 0.876 0.000 0.088 0.036
#> 24010 5 0.3999 0.5694 0.000 0.000 0.272 0.000 0.696 0.032
#> 24011 3 0.0777 0.7497 0.000 0.000 0.972 0.000 0.024 0.004
#> 24017 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 1 0.3657 0.7747 0.792 0.000 0.000 0.000 0.100 0.108
#> 24019 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.5667 0.2721 0.000 0.000 0.000 0.532 0.240 0.228
#> 25003 5 0.4083 0.1598 0.000 0.000 0.460 0.000 0.532 0.008
#> 25006 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2250 0.7152 0.000 0.000 0.888 0.000 0.092 0.020
#> 26003 4 0.5590 0.2864 0.000 0.000 0.000 0.548 0.232 0.220
#> 26005 3 0.0260 0.7494 0.000 0.000 0.992 0.000 0.008 0.000
#> 26008 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 6 0.5931 0.1681 0.000 0.000 0.000 0.360 0.216 0.424
#> 27004 4 0.4830 0.4231 0.000 0.000 0.000 0.668 0.172 0.160
#> 28001 6 0.6101 0.3577 0.008 0.000 0.000 0.200 0.376 0.416
#> 28003 4 0.2191 0.5500 0.000 0.000 0.000 0.876 0.004 0.120
#> 28005 4 0.3967 0.5280 0.000 0.000 0.000 0.760 0.092 0.148
#> 28006 4 0.5410 0.2918 0.000 0.000 0.000 0.564 0.156 0.280
#> 28007 4 0.2775 0.5943 0.000 0.000 0.000 0.856 0.040 0.104
#> 28019 1 0.1152 0.9256 0.952 0.000 0.000 0.004 0.000 0.044
#> 28021 1 0.1152 0.9256 0.952 0.000 0.000 0.004 0.000 0.044
#> 28023 4 0.1387 0.5848 0.000 0.000 0.000 0.932 0.000 0.068
#> 28024 4 0.2558 0.6004 0.000 0.000 0.000 0.868 0.028 0.104
#> 28028 4 0.3318 0.5505 0.000 0.000 0.000 0.796 0.032 0.172
#> 28031 4 0.2257 0.5487 0.000 0.000 0.000 0.876 0.008 0.116
#> 28032 4 0.2981 0.5663 0.000 0.000 0.000 0.820 0.020 0.160
#> 28035 1 0.1152 0.9256 0.952 0.000 0.000 0.004 0.000 0.044
#> 28036 4 0.5228 0.3801 0.000 0.000 0.000 0.612 0.192 0.196
#> 28037 1 0.0865 0.9299 0.964 0.000 0.000 0.000 0.000 0.036
#> 28042 4 0.1700 0.5785 0.000 0.000 0.000 0.916 0.004 0.080
#> 28043 4 0.5035 0.4029 0.000 0.000 0.000 0.640 0.192 0.168
#> 28044 4 0.4971 0.3078 0.000 0.000 0.000 0.604 0.096 0.300
#> 28047 4 0.0713 0.5956 0.000 0.000 0.000 0.972 0.000 0.028
#> 30001 1 0.0632 0.9328 0.976 0.000 0.000 0.000 0.000 0.024
#> 31007 4 0.4299 0.3693 0.000 0.000 0.000 0.652 0.040 0.308
#> 31011 4 0.5754 0.2515 0.000 0.000 0.000 0.512 0.240 0.248
#> 33005 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0146 0.9365 0.996 0.000 0.000 0.000 0.000 0.004
#> 36002 5 0.4982 0.5691 0.000 0.000 0.116 0.064 0.720 0.100
#> 37013 5 0.2740 0.5533 0.000 0.000 0.060 0.000 0.864 0.076
#> 43001 5 0.4687 0.4908 0.008 0.000 0.168 0.000 0.704 0.120
#> 43004 6 0.6381 0.2698 0.020 0.000 0.000 0.332 0.224 0.424
#> 43007 3 0.4544 0.3046 0.000 0.000 0.660 0.004 0.280 0.056
#> 43012 4 0.2053 0.5581 0.000 0.000 0.000 0.888 0.004 0.108
#> 48001 1 0.1951 0.8946 0.908 0.000 0.000 0.000 0.016 0.076
#> 49006 3 0.3221 0.4341 0.000 0.000 0.736 0.000 0.264 0.000
#> 57001 4 0.2686 0.5692 0.000 0.000 0.008 0.868 0.024 0.100
#> 62001 4 0.5453 0.2481 0.000 0.000 0.000 0.556 0.160 0.284
#> 62002 4 0.6029 0.0317 0.000 0.000 0.000 0.424 0.300 0.276
#> 62003 1 0.6645 0.2912 0.484 0.000 0.024 0.028 0.312 0.152
#> 63001 3 0.4247 0.5557 0.000 0.000 0.740 0.004 0.092 0.164
#> 64001 3 0.0603 0.7487 0.000 0.000 0.980 0.000 0.016 0.004
#> 64002 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0891 0.7478 0.000 0.000 0.968 0.000 0.024 0.008
#> 68001 1 0.0000 0.9369 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.2852 0.5836 0.000 0.000 0.064 0.020 0.872 0.044
#> 84004 5 0.5624 0.4367 0.000 0.000 0.064 0.156 0.652 0.128
#> LAL5 4 0.1913 0.5935 0.000 0.000 0.000 0.908 0.012 0.080
#> 01003 2 0.1444 0.8660 0.000 0.928 0.000 0.000 0.000 0.072
#> 01007 2 0.2793 0.8446 0.000 0.800 0.000 0.000 0.000 0.200
#> 02020 2 0.3428 0.8182 0.000 0.696 0.000 0.000 0.000 0.304
#> 04018 2 0.2823 0.8432 0.000 0.796 0.000 0.000 0.000 0.204
#> 09002 2 0.0146 0.8592 0.000 0.996 0.000 0.000 0.000 0.004
#> 10005 2 0.5072 0.5812 0.000 0.700 0.152 0.000 0.044 0.104
#> 11002 2 0.1556 0.8478 0.000 0.920 0.000 0.000 0.000 0.080
#> 12008 2 0.0790 0.8623 0.000 0.968 0.000 0.000 0.000 0.032
#> 15006 1 0.1141 0.9062 0.948 0.052 0.000 0.000 0.000 0.000
#> 16002 2 0.0146 0.8612 0.000 0.996 0.000 0.000 0.000 0.004
#> 16007 2 0.0146 0.8592 0.000 0.996 0.000 0.000 0.000 0.004
#> 17003 2 0.5376 0.6327 0.084 0.536 0.000 0.000 0.012 0.368
#> 18001 2 0.1327 0.8558 0.000 0.936 0.000 0.000 0.000 0.064
#> 19002 2 0.2912 0.8391 0.000 0.784 0.000 0.000 0.000 0.216
#> 19008 2 0.0000 0.8602 0.000 1.000 0.000 0.000 0.000 0.000
#> 19014 2 0.3428 0.8182 0.000 0.696 0.000 0.000 0.000 0.304
#> 19017 2 0.1327 0.8525 0.000 0.936 0.000 0.000 0.000 0.064
#> 20005 2 0.1141 0.8554 0.000 0.948 0.000 0.000 0.000 0.052
#> 24006 2 0.2912 0.8391 0.000 0.784 0.000 0.000 0.000 0.216
#> 26009 1 0.1141 0.9062 0.948 0.052 0.000 0.000 0.000 0.000
#> 28008 2 0.1141 0.8560 0.000 0.948 0.000 0.000 0.000 0.052
#> 28009 2 0.2912 0.8388 0.000 0.784 0.000 0.000 0.000 0.216
#> 31015 2 0.2048 0.8603 0.000 0.880 0.000 0.000 0.000 0.120
#> 37001 2 0.2941 0.8372 0.000 0.780 0.000 0.000 0.000 0.220
#> 43006 2 0.0260 0.8596 0.000 0.992 0.000 0.000 0.000 0.008
#> 43015 2 0.1444 0.8551 0.000 0.928 0.000 0.000 0.000 0.072
#> 44001 2 0.2260 0.8586 0.000 0.860 0.000 0.000 0.000 0.140
#> 49004 2 0.0146 0.8592 0.000 0.996 0.000 0.000 0.000 0.004
#> 56007 2 0.0000 0.8602 0.000 1.000 0.000 0.000 0.000 0.000
#> 64005 2 0.3050 0.8369 0.000 0.764 0.000 0.000 0.000 0.236
#> 65003 2 0.2941 0.8383 0.000 0.780 0.000 0.000 0.000 0.220
#> 83001 2 0.3309 0.8299 0.000 0.720 0.000 0.000 0.000 0.280
#> LAL4 2 0.3428 0.8182 0.000 0.696 0.000 0.000 0.000 0.304
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:skmeans 119 0.848 0.880 1.01e-06 2
#> SD:skmeans 127 0.146 0.909 7.57e-08 3
#> SD:skmeans 126 0.214 0.703 1.09e-20 4
#> SD:skmeans 109 0.347 0.840 3.71e-16 5
#> SD:skmeans 96 0.361 0.933 3.05e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "pam"]
# you can also extract it by
# res = res_list["SD:pam"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.524 0.837 0.899 0.4307 0.586 0.586
#> 3 3 0.456 0.599 0.803 0.5120 0.516 0.319
#> 4 4 0.881 0.868 0.948 0.1462 0.794 0.494
#> 5 5 0.859 0.791 0.908 0.0554 0.937 0.765
#> 6 6 0.804 0.619 0.793 0.0292 0.955 0.796
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.3274 0.889 0.940 0.060
#> 01010 1 0.0000 0.891 1.000 0.000
#> 03002 1 0.3274 0.889 0.940 0.060
#> 04006 1 0.0000 0.891 1.000 0.000
#> 04007 1 0.3274 0.889 0.940 0.060
#> 04008 1 0.0000 0.891 1.000 0.000
#> 04010 1 0.0000 0.891 1.000 0.000
#> 04016 1 0.0000 0.891 1.000 0.000
#> 06002 1 0.0000 0.891 1.000 0.000
#> 08001 1 0.7528 0.819 0.784 0.216
#> 08011 1 0.3274 0.889 0.940 0.060
#> 08012 1 0.3274 0.889 0.940 0.060
#> 08018 1 0.9896 0.124 0.560 0.440
#> 08024 1 0.0000 0.891 1.000 0.000
#> 09008 1 0.0000 0.891 1.000 0.000
#> 09017 1 0.7528 0.819 0.784 0.216
#> 11005 1 0.7528 0.819 0.784 0.216
#> 12006 1 0.1843 0.891 0.972 0.028
#> 12007 1 0.3274 0.889 0.940 0.060
#> 12012 1 0.3274 0.889 0.940 0.060
#> 12019 1 0.0000 0.891 1.000 0.000
#> 12026 1 0.0000 0.891 1.000 0.000
#> 14016 1 0.0000 0.891 1.000 0.000
#> 15001 1 0.0000 0.891 1.000 0.000
#> 15004 1 0.7528 0.819 0.784 0.216
#> 15005 1 0.0000 0.891 1.000 0.000
#> 16004 1 0.0000 0.891 1.000 0.000
#> 16009 1 0.0000 0.891 1.000 0.000
#> 19005 1 0.0000 0.891 1.000 0.000
#> 20002 1 0.0000 0.891 1.000 0.000
#> 22009 1 0.0000 0.891 1.000 0.000
#> 22010 2 0.8909 0.669 0.308 0.692
#> 22011 1 0.3274 0.889 0.940 0.060
#> 22013 1 0.0000 0.891 1.000 0.000
#> 24001 1 0.3274 0.889 0.940 0.060
#> 24005 1 0.7376 0.824 0.792 0.208
#> 24008 1 0.3114 0.889 0.944 0.056
#> 24010 1 0.7528 0.819 0.784 0.216
#> 24011 1 0.0000 0.891 1.000 0.000
#> 24017 1 0.0000 0.891 1.000 0.000
#> 24018 1 0.0000 0.891 1.000 0.000
#> 24019 1 0.4022 0.825 0.920 0.080
#> 24022 1 0.7528 0.819 0.784 0.216
#> 25003 1 0.0000 0.891 1.000 0.000
#> 25006 1 0.0000 0.891 1.000 0.000
#> 26001 1 0.0000 0.891 1.000 0.000
#> 26003 1 0.7528 0.819 0.784 0.216
#> 26005 1 0.0000 0.891 1.000 0.000
#> 26008 1 0.0000 0.891 1.000 0.000
#> 27003 1 0.7528 0.819 0.784 0.216
#> 27004 1 0.7528 0.819 0.784 0.216
#> 28001 1 0.9850 0.327 0.572 0.428
#> 28003 2 0.3584 0.853 0.068 0.932
#> 28005 1 0.7528 0.819 0.784 0.216
#> 28006 1 0.7528 0.819 0.784 0.216
#> 28007 1 0.7528 0.819 0.784 0.216
#> 28019 1 0.0000 0.891 1.000 0.000
#> 28021 1 0.0000 0.891 1.000 0.000
#> 28023 1 0.7528 0.819 0.784 0.216
#> 28024 1 0.7528 0.819 0.784 0.216
#> 28028 1 0.7528 0.819 0.784 0.216
#> 28031 1 0.4161 0.871 0.916 0.084
#> 28032 1 0.7528 0.819 0.784 0.216
#> 28035 1 0.0000 0.891 1.000 0.000
#> 28036 1 0.7528 0.819 0.784 0.216
#> 28037 1 0.0000 0.891 1.000 0.000
#> 28042 2 0.9323 0.292 0.348 0.652
#> 28043 1 0.7528 0.819 0.784 0.216
#> 28044 1 0.7528 0.819 0.784 0.216
#> 28047 1 0.7528 0.819 0.784 0.216
#> 30001 1 0.0000 0.891 1.000 0.000
#> 31007 1 0.6973 0.809 0.812 0.188
#> 31011 1 0.7528 0.819 0.784 0.216
#> 33005 1 0.0000 0.891 1.000 0.000
#> 36001 1 0.5178 0.778 0.884 0.116
#> 36002 1 0.3274 0.889 0.940 0.060
#> 37013 1 0.3274 0.889 0.940 0.060
#> 43001 1 0.0000 0.891 1.000 0.000
#> 43004 1 0.0000 0.891 1.000 0.000
#> 43007 1 0.3274 0.889 0.940 0.060
#> 43012 1 0.9635 0.572 0.612 0.388
#> 48001 1 0.0000 0.891 1.000 0.000
#> 49006 1 0.3274 0.889 0.940 0.060
#> 57001 1 0.4022 0.882 0.920 0.080
#> 62001 1 0.3584 0.887 0.932 0.068
#> 62002 1 0.7528 0.819 0.784 0.216
#> 62003 1 0.0000 0.891 1.000 0.000
#> 63001 1 0.7528 0.819 0.784 0.216
#> 64001 1 0.3274 0.889 0.940 0.060
#> 64002 1 0.0376 0.889 0.996 0.004
#> 65005 1 0.3431 0.888 0.936 0.064
#> 68001 1 0.0000 0.891 1.000 0.000
#> 68003 1 0.7528 0.819 0.784 0.216
#> 84004 1 0.7219 0.828 0.800 0.200
#> LAL5 2 0.9686 0.121 0.396 0.604
#> 01003 2 0.0000 0.859 0.000 1.000
#> 01007 2 0.7528 0.831 0.216 0.784
#> 02020 2 0.7528 0.831 0.216 0.784
#> 04018 2 0.0000 0.859 0.000 1.000
#> 09002 2 0.4690 0.854 0.100 0.900
#> 10005 2 0.2603 0.835 0.044 0.956
#> 11002 2 0.0000 0.859 0.000 1.000
#> 12008 2 0.7056 0.836 0.192 0.808
#> 15006 2 0.7528 0.831 0.216 0.784
#> 16002 2 0.0000 0.859 0.000 1.000
#> 16007 2 0.0000 0.859 0.000 1.000
#> 17003 2 0.7528 0.831 0.216 0.784
#> 18001 2 0.0000 0.859 0.000 1.000
#> 19002 2 0.7528 0.831 0.216 0.784
#> 19008 2 0.0000 0.859 0.000 1.000
#> 19014 2 0.7528 0.831 0.216 0.784
#> 19017 2 0.0000 0.859 0.000 1.000
#> 20005 2 0.0000 0.859 0.000 1.000
#> 24006 2 0.7528 0.831 0.216 0.784
#> 26009 2 0.7528 0.831 0.216 0.784
#> 28008 2 0.0000 0.859 0.000 1.000
#> 28009 2 0.6973 0.841 0.188 0.812
#> 31015 2 0.1843 0.861 0.028 0.972
#> 37001 2 0.7528 0.831 0.216 0.784
#> 43006 2 0.0000 0.859 0.000 1.000
#> 43015 2 0.6247 0.837 0.156 0.844
#> 44001 2 0.6801 0.842 0.180 0.820
#> 49004 2 0.0000 0.859 0.000 1.000
#> 56007 2 0.0000 0.859 0.000 1.000
#> 64005 2 0.7528 0.831 0.216 0.784
#> 65003 2 0.0000 0.859 0.000 1.000
#> 83001 2 0.7528 0.831 0.216 0.784
#> LAL4 2 0.3274 0.853 0.060 0.940
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.1031 0.9349 0.024 0.000 0.976
#> 01010 1 0.0000 0.8211 1.000 0.000 0.000
#> 03002 3 0.0000 0.9223 0.000 0.000 1.000
#> 04006 1 0.0592 0.8190 0.988 0.000 0.012
#> 04007 3 0.0000 0.9223 0.000 0.000 1.000
#> 04008 3 0.2711 0.8786 0.088 0.000 0.912
#> 04010 1 0.0000 0.8211 1.000 0.000 0.000
#> 04016 3 0.5138 0.6024 0.252 0.000 0.748
#> 06002 3 0.1711 0.9303 0.032 0.008 0.960
#> 08001 2 0.6763 0.3990 0.012 0.552 0.436
#> 08011 3 0.1031 0.9349 0.024 0.000 0.976
#> 08012 3 0.1031 0.9349 0.024 0.000 0.976
#> 08018 3 0.1774 0.9256 0.024 0.016 0.960
#> 08024 3 0.1289 0.9336 0.032 0.000 0.968
#> 09008 1 0.0000 0.8211 1.000 0.000 0.000
#> 09017 2 0.8847 0.4224 0.300 0.552 0.148
#> 11005 2 0.6260 0.3847 0.000 0.552 0.448
#> 12006 3 0.2173 0.9048 0.048 0.008 0.944
#> 12007 3 0.1031 0.9349 0.024 0.000 0.976
#> 12012 3 0.1031 0.9349 0.024 0.000 0.976
#> 12019 3 0.1289 0.9336 0.032 0.000 0.968
#> 12026 3 0.1751 0.9295 0.028 0.012 0.960
#> 14016 3 0.3192 0.8509 0.112 0.000 0.888
#> 15001 3 0.1529 0.9295 0.040 0.000 0.960
#> 15004 2 0.8793 0.4152 0.308 0.552 0.140
#> 15005 1 0.3752 0.7319 0.856 0.000 0.144
#> 16004 1 0.0000 0.8211 1.000 0.000 0.000
#> 16009 1 0.0592 0.8190 0.988 0.000 0.012
#> 19005 1 0.5560 0.6002 0.700 0.000 0.300
#> 20002 3 0.1529 0.9295 0.040 0.000 0.960
#> 22009 1 0.5785 0.5732 0.668 0.000 0.332
#> 22010 2 0.7841 -0.0832 0.472 0.476 0.052
#> 22011 3 0.1031 0.9349 0.024 0.000 0.976
#> 22013 3 0.1289 0.9336 0.032 0.000 0.968
#> 24001 3 0.1411 0.9288 0.036 0.000 0.964
#> 24005 2 0.8470 0.4769 0.104 0.552 0.344
#> 24008 3 0.1289 0.9336 0.032 0.000 0.968
#> 24010 3 0.0000 0.9223 0.000 0.000 1.000
#> 24011 3 0.1163 0.9345 0.028 0.000 0.972
#> 24017 1 0.0592 0.8190 0.988 0.000 0.012
#> 24018 1 0.5431 0.6168 0.716 0.000 0.284
#> 24019 1 0.0592 0.8190 0.988 0.000 0.012
#> 24022 2 0.8330 0.4694 0.092 0.552 0.356
#> 25003 3 0.0237 0.9244 0.004 0.000 0.996
#> 25006 1 0.0000 0.8211 1.000 0.000 0.000
#> 26001 3 0.1529 0.9295 0.040 0.000 0.960
#> 26003 2 0.6888 0.4036 0.016 0.552 0.432
#> 26005 3 0.1289 0.9336 0.032 0.000 0.968
#> 26008 1 0.0592 0.8190 0.988 0.000 0.012
#> 27003 2 0.8847 0.4224 0.300 0.552 0.148
#> 27004 2 0.7400 0.4243 0.036 0.552 0.412
#> 28001 1 0.7457 0.5033 0.688 0.208 0.104
#> 28003 1 0.5919 0.5188 0.712 0.276 0.012
#> 28005 2 0.9063 0.4585 0.248 0.552 0.200
#> 28006 2 0.8847 0.4224 0.300 0.552 0.148
#> 28007 2 0.8847 0.4224 0.300 0.552 0.148
#> 28019 1 0.0000 0.8211 1.000 0.000 0.000
#> 28021 1 0.0000 0.8211 1.000 0.000 0.000
#> 28023 2 0.8117 0.3554 0.372 0.552 0.076
#> 28024 2 0.8379 0.4726 0.096 0.552 0.352
#> 28028 2 0.6763 0.3990 0.012 0.552 0.436
#> 28031 1 0.6208 0.5744 0.752 0.200 0.048
#> 28032 2 0.7570 0.4317 0.044 0.552 0.404
#> 28035 1 0.0000 0.8211 1.000 0.000 0.000
#> 28036 2 0.8173 0.4609 0.080 0.552 0.368
#> 28037 1 0.0000 0.8211 1.000 0.000 0.000
#> 28042 2 0.5756 0.5746 0.028 0.764 0.208
#> 28043 2 0.6888 0.4036 0.016 0.552 0.432
#> 28044 2 0.8793 0.4148 0.308 0.552 0.140
#> 28047 2 0.8847 0.4224 0.300 0.552 0.148
#> 30001 1 0.0000 0.8211 1.000 0.000 0.000
#> 31007 1 0.7504 0.5015 0.688 0.200 0.112
#> 31011 2 0.6888 0.4036 0.016 0.552 0.432
#> 33005 1 0.0000 0.8211 1.000 0.000 0.000
#> 36001 1 0.0747 0.8176 0.984 0.000 0.016
#> 36002 3 0.0983 0.9098 0.016 0.004 0.980
#> 37013 3 0.6594 0.6472 0.128 0.116 0.756
#> 43001 1 0.5760 0.5771 0.672 0.000 0.328
#> 43004 1 0.7875 0.4671 0.664 0.200 0.136
#> 43007 3 0.0000 0.9223 0.000 0.000 1.000
#> 43012 2 0.7982 0.3535 0.376 0.556 0.068
#> 48001 1 0.2959 0.7598 0.900 0.000 0.100
#> 49006 3 0.0000 0.9223 0.000 0.000 1.000
#> 57001 2 0.6449 0.5683 0.056 0.740 0.204
#> 62001 2 0.8847 0.4224 0.300 0.552 0.148
#> 62002 2 0.8847 0.4224 0.300 0.552 0.148
#> 62003 1 0.5678 0.5815 0.684 0.000 0.316
#> 63001 3 0.1031 0.9348 0.024 0.000 0.976
#> 64001 3 0.1031 0.9349 0.024 0.000 0.976
#> 64002 1 0.0747 0.8167 0.984 0.000 0.016
#> 65005 3 0.0000 0.9223 0.000 0.000 1.000
#> 68001 1 0.0592 0.8190 0.988 0.000 0.012
#> 68003 2 0.6763 0.3990 0.012 0.552 0.436
#> 84004 2 0.6763 0.3990 0.012 0.552 0.436
#> LAL5 2 0.7263 0.4306 0.036 0.592 0.372
#> 01003 2 0.0000 0.5659 0.000 1.000 0.000
#> 01007 2 0.9550 -0.0948 0.352 0.448 0.200
#> 02020 2 0.5905 0.1428 0.352 0.648 0.000
#> 04018 2 0.0000 0.5659 0.000 1.000 0.000
#> 09002 2 0.6302 -0.1195 0.000 0.520 0.480
#> 10005 3 0.4842 0.6499 0.000 0.224 0.776
#> 11002 2 0.1163 0.5686 0.000 0.972 0.028
#> 12008 3 0.6260 0.2300 0.000 0.448 0.552
#> 15006 1 0.6204 0.2740 0.576 0.424 0.000
#> 16002 2 0.0000 0.5659 0.000 1.000 0.000
#> 16007 2 0.0000 0.5659 0.000 1.000 0.000
#> 17003 2 0.9566 -0.1081 0.360 0.440 0.200
#> 18001 2 0.0000 0.5659 0.000 1.000 0.000
#> 19002 2 0.5905 0.1428 0.352 0.648 0.000
#> 19008 2 0.0000 0.5659 0.000 1.000 0.000
#> 19014 2 0.5905 0.1428 0.352 0.648 0.000
#> 19017 2 0.0000 0.5659 0.000 1.000 0.000
#> 20005 2 0.0237 0.5664 0.000 0.996 0.004
#> 24006 2 0.5905 0.1428 0.352 0.648 0.000
#> 26009 1 0.6180 0.2852 0.584 0.416 0.000
#> 28008 2 0.0000 0.5659 0.000 1.000 0.000
#> 28009 2 0.5905 0.1428 0.352 0.648 0.000
#> 31015 2 0.0000 0.5659 0.000 1.000 0.000
#> 37001 2 0.5905 0.1428 0.352 0.648 0.000
#> 43006 2 0.0000 0.5659 0.000 1.000 0.000
#> 43015 2 0.3412 0.5157 0.000 0.876 0.124
#> 44001 2 0.4291 0.4120 0.180 0.820 0.000
#> 49004 2 0.6305 -0.1285 0.000 0.516 0.484
#> 56007 2 0.0000 0.5659 0.000 1.000 0.000
#> 64005 2 0.5905 0.1428 0.352 0.648 0.000
#> 65003 2 0.0000 0.5659 0.000 1.000 0.000
#> 83001 2 0.9550 -0.0948 0.352 0.448 0.200
#> LAL4 2 0.5905 0.1428 0.352 0.648 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 03002 3 0.3610 0.7393 0.000 0.000 0.800 0.200
#> 04006 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 04008 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 04010 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 08001 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 08011 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 09017 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 11005 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 12006 3 0.4866 0.3450 0.000 0.000 0.596 0.404
#> 12007 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 15005 3 0.4713 0.4220 0.360 0.000 0.640 0.000
#> 16004 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 19005 2 0.6289 0.5386 0.116 0.648 0.236 0.000
#> 20002 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 22009 3 0.0336 0.9359 0.000 0.000 0.992 0.008
#> 22010 2 0.1637 0.8671 0.000 0.940 0.000 0.060
#> 22011 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 24005 4 0.0336 0.9340 0.000 0.000 0.008 0.992
#> 24008 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 24010 3 0.0921 0.9193 0.000 0.000 0.972 0.028
#> 24011 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 24018 2 0.4992 0.0853 0.476 0.524 0.000 0.000
#> 24019 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28001 4 0.3528 0.7414 0.000 0.192 0.000 0.808
#> 28003 4 0.0336 0.9346 0.000 0.008 0.000 0.992
#> 28005 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 28023 4 0.3610 0.7406 0.200 0.000 0.000 0.800
#> 28024 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28031 4 0.3528 0.7514 0.192 0.000 0.000 0.808
#> 28032 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 31007 4 0.3024 0.8016 0.000 0.148 0.000 0.852
#> 31011 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 36001 1 0.0336 0.9652 0.992 0.000 0.008 0.000
#> 36002 3 0.4761 0.4257 0.000 0.000 0.628 0.372
#> 37013 4 0.4992 0.0180 0.000 0.000 0.476 0.524
#> 43001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 43012 4 0.0188 0.9369 0.004 0.000 0.000 0.996
#> 48001 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 57001 4 0.3768 0.8162 0.008 0.024 0.120 0.848
#> 62001 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 62003 3 0.5487 0.2924 0.000 0.400 0.580 0.020
#> 63001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9419 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.9736 1.000 0.000 0.000 0.000
#> 68003 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 84004 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> LAL5 4 0.0000 0.9394 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 10005 3 0.3400 0.7506 0.000 0.180 0.820 0.000
#> 11002 4 0.1792 0.8855 0.000 0.068 0.000 0.932
#> 12008 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 15006 2 0.4985 0.1233 0.468 0.532 0.000 0.000
#> 16002 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 18001 2 0.4164 0.6259 0.000 0.736 0.000 0.264
#> 19002 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 19008 2 0.4605 0.4850 0.000 0.664 0.000 0.336
#> 19014 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 20005 4 0.3610 0.7282 0.000 0.200 0.000 0.800
#> 24006 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 26009 1 0.4992 0.0167 0.524 0.476 0.000 0.000
#> 28008 4 0.4866 0.2951 0.000 0.404 0.000 0.596
#> 28009 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 43006 2 0.3801 0.6936 0.000 0.780 0.000 0.220
#> 43015 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.9197 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.9197 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 01010 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 03002 3 0.3109 0.6982 0.000 0.000 0.800 0.200 0.000
#> 04006 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 04008 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 04010 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0162 0.9308 0.000 0.000 0.996 0.000 0.004
#> 06002 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 08001 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 08011 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 08018 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 08024 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 09008 1 0.0162 0.9514 0.996 0.000 0.000 0.000 0.004
#> 09017 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 11005 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 12006 3 0.4649 0.3559 0.000 0.000 0.580 0.404 0.016
#> 12007 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 12012 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 12019 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 12026 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 14016 3 0.1965 0.8277 0.000 0.000 0.904 0.000 0.096
#> 15001 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 15004 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 15005 5 0.4425 0.4706 0.008 0.000 0.392 0.000 0.600
#> 16004 5 0.0000 0.6889 0.000 0.000 0.000 0.000 1.000
#> 16009 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 19005 5 0.0000 0.6889 0.000 0.000 0.000 0.000 1.000
#> 20002 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 22009 5 0.4425 0.4697 0.000 0.000 0.392 0.008 0.600
#> 22010 2 0.1697 0.8629 0.000 0.932 0.000 0.060 0.008
#> 22011 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 22013 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 24001 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 24005 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 24008 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 24010 3 0.0794 0.9080 0.000 0.000 0.972 0.028 0.000
#> 24011 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 24017 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 24018 5 0.1732 0.6663 0.080 0.000 0.000 0.000 0.920
#> 24019 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 25003 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 25006 5 0.4302 0.1581 0.480 0.000 0.000 0.000 0.520
#> 26001 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 26003 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 26005 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 27004 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28001 5 0.4161 0.3914 0.000 0.000 0.000 0.392 0.608
#> 28003 5 0.0000 0.6889 0.000 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28006 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28007 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28019 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 28023 4 0.3779 0.6775 0.200 0.000 0.000 0.776 0.024
#> 28024 4 0.1197 0.8307 0.000 0.000 0.000 0.952 0.048
#> 28028 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 28031 5 0.0000 0.6889 0.000 0.000 0.000 0.000 1.000
#> 28032 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 28035 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28037 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 28042 4 0.0162 0.8488 0.000 0.000 0.000 0.996 0.004
#> 28043 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28044 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 28047 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 30001 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 31007 5 0.0000 0.6889 0.000 0.000 0.000 0.000 1.000
#> 31011 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 33005 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 36001 5 0.4235 0.2978 0.424 0.000 0.000 0.000 0.576
#> 36002 3 0.4101 0.4323 0.000 0.000 0.628 0.372 0.000
#> 37013 4 0.4552 -0.0367 0.000 0.000 0.468 0.524 0.008
#> 43001 5 0.4182 0.4581 0.000 0.000 0.400 0.000 0.600
#> 43004 5 0.4171 0.3855 0.000 0.000 0.000 0.396 0.604
#> 43007 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 43012 4 0.4182 0.5394 0.000 0.000 0.000 0.600 0.400
#> 48001 5 0.3039 0.5987 0.192 0.000 0.000 0.000 0.808
#> 49006 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 57001 4 0.4469 0.7200 0.000 0.020 0.076 0.784 0.120
#> 62001 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 62002 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 62003 5 0.4675 0.4823 0.000 0.000 0.380 0.020 0.600
#> 63001 3 0.4126 0.3866 0.000 0.000 0.620 0.000 0.380
#> 64001 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 64002 1 0.0000 0.9552 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9343 0.000 0.000 1.000 0.000 0.000
#> 68001 1 0.1197 0.9026 0.952 0.000 0.000 0.000 0.048
#> 68003 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> 84004 4 0.0000 0.8502 0.000 0.000 0.000 1.000 0.000
#> LAL5 4 0.1608 0.8177 0.000 0.000 0.000 0.928 0.072
#> 01003 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 02020 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 10005 3 0.2929 0.7027 0.000 0.180 0.820 0.000 0.000
#> 11002 4 0.1544 0.8066 0.000 0.068 0.000 0.932 0.000
#> 12008 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 15006 2 0.3508 0.6513 0.252 0.748 0.000 0.000 0.000
#> 16002 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 17003 2 0.4249 0.2984 0.000 0.568 0.000 0.000 0.432
#> 18001 2 0.3586 0.6265 0.000 0.736 0.000 0.264 0.000
#> 19002 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 19008 2 0.3966 0.4816 0.000 0.664 0.000 0.336 0.000
#> 19014 2 0.1270 0.8823 0.000 0.948 0.000 0.000 0.052
#> 19017 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 20005 4 0.3109 0.6808 0.000 0.200 0.000 0.800 0.000
#> 24006 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 26009 1 0.4278 0.0650 0.548 0.452 0.000 0.000 0.000
#> 28008 4 0.4192 0.3037 0.000 0.404 0.000 0.596 0.000
#> 28009 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 31015 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 37001 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 43006 2 0.3274 0.6969 0.000 0.780 0.000 0.220 0.000
#> 43015 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 44001 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 49004 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> 83001 2 0.0000 0.9204 0.000 1.000 0.000 0.000 0.000
#> LAL4 2 0.3932 0.5353 0.000 0.672 0.000 0.000 0.328
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 01010 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 03002 3 0.2793 0.6922 0.000 0.000 0.800 0.200 0.000 0.000
#> 04006 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 04008 3 0.2527 0.7506 0.168 0.000 0.832 0.000 0.000 0.000
#> 04010 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 04016 3 0.0405 0.9246 0.000 0.000 0.988 0.000 0.004 0.008
#> 06002 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 08001 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 08011 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 08012 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 08018 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 08024 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 09008 1 0.3991 0.7270 0.524 0.000 0.000 0.000 0.004 0.472
#> 09017 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 11005 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 12006 3 0.4412 0.3385 0.000 0.000 0.572 0.404 0.016 0.008
#> 12007 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 12012 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 12019 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 12026 3 0.0260 0.9273 0.000 0.000 0.992 0.000 0.000 0.008
#> 14016 3 0.2020 0.8229 0.000 0.000 0.896 0.000 0.096 0.008
#> 15001 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 15004 4 0.3774 0.5236 0.000 0.000 0.000 0.592 0.408 0.000
#> 15005 5 0.4200 0.4646 0.004 0.000 0.392 0.000 0.592 0.012
#> 16004 5 0.0000 0.6610 0.000 0.000 0.000 0.000 1.000 0.000
#> 16009 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 5 0.0260 0.6618 0.000 0.000 0.000 0.000 0.992 0.008
#> 20002 3 0.0260 0.9273 0.000 0.000 0.992 0.000 0.000 0.008
#> 22009 5 0.4585 0.4851 0.000 0.016 0.376 0.008 0.592 0.008
#> 22010 2 0.3984 -0.6080 0.000 0.596 0.000 0.000 0.008 0.396
#> 22011 3 0.0260 0.9273 0.000 0.000 0.992 0.000 0.000 0.008
#> 22013 3 0.0260 0.9273 0.000 0.000 0.992 0.000 0.000 0.008
#> 24001 3 0.0146 0.9295 0.000 0.000 0.996 0.000 0.000 0.004
#> 24005 4 0.4184 0.5076 0.000 0.016 0.000 0.576 0.408 0.000
#> 24008 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 24010 3 0.0713 0.9066 0.000 0.000 0.972 0.028 0.000 0.000
#> 24011 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 24017 1 0.3717 0.7234 0.616 0.000 0.000 0.000 0.000 0.384
#> 24018 5 0.1812 0.6340 0.080 0.000 0.000 0.000 0.912 0.008
#> 24019 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 25003 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 25006 1 0.1910 0.5759 0.892 0.000 0.000 0.000 0.108 0.000
#> 26001 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 26003 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 26005 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 27004 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28001 5 0.3737 0.3866 0.000 0.000 0.000 0.392 0.608 0.000
#> 28003 5 0.0000 0.6610 0.000 0.000 0.000 0.000 1.000 0.000
#> 28005 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28006 4 0.1663 0.7726 0.000 0.088 0.000 0.912 0.000 0.000
#> 28007 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28019 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 28021 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 28023 4 0.3394 0.6652 0.200 0.000 0.000 0.776 0.024 0.000
#> 28024 4 0.1075 0.8145 0.000 0.000 0.000 0.952 0.048 0.000
#> 28028 4 0.3765 0.5274 0.000 0.000 0.000 0.596 0.404 0.000
#> 28031 5 0.0000 0.6610 0.000 0.000 0.000 0.000 1.000 0.000
#> 28032 4 0.3774 0.5236 0.000 0.000 0.000 0.592 0.408 0.000
#> 28035 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 28036 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 28042 4 0.0146 0.8322 0.000 0.000 0.000 0.996 0.004 0.000
#> 28043 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28044 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 28047 4 0.3774 0.5236 0.000 0.000 0.000 0.592 0.408 0.000
#> 30001 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 31007 5 0.1556 0.6236 0.000 0.080 0.000 0.000 0.920 0.000
#> 31011 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 1 0.3860 0.7299 0.528 0.000 0.000 0.000 0.000 0.472
#> 36001 5 0.3937 0.1402 0.424 0.000 0.000 0.000 0.572 0.004
#> 36002 3 0.3911 0.4232 0.000 0.000 0.624 0.368 0.000 0.008
#> 37013 4 0.4320 -0.0536 0.000 0.000 0.468 0.516 0.008 0.008
#> 43001 5 0.3993 0.4519 0.000 0.000 0.400 0.000 0.592 0.008
#> 43004 5 0.3984 0.3811 0.000 0.000 0.000 0.396 0.596 0.008
#> 43007 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 43012 4 0.3774 0.5236 0.000 0.000 0.000 0.592 0.408 0.000
#> 48001 5 0.2980 0.5422 0.192 0.000 0.000 0.000 0.800 0.008
#> 49006 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 57001 4 0.4221 0.6993 0.000 0.016 0.076 0.776 0.124 0.008
#> 62001 4 0.0260 0.8291 0.000 0.000 0.000 0.992 0.000 0.008
#> 62002 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 62003 5 0.5188 0.5286 0.000 0.056 0.332 0.012 0.592 0.008
#> 63001 3 0.3706 0.3687 0.000 0.000 0.620 0.000 0.380 0.000
#> 64001 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 64002 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9314 0.000 0.000 1.000 0.000 0.000 0.000
#> 68001 1 0.0000 0.6717 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> 84004 4 0.0000 0.8333 0.000 0.000 0.000 1.000 0.000 0.000
#> LAL5 4 0.1444 0.8014 0.000 0.000 0.000 0.928 0.072 0.000
#> 01003 2 0.2092 0.1231 0.000 0.876 0.000 0.000 0.000 0.124
#> 01007 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 02020 2 0.3409 -0.3561 0.000 0.700 0.000 0.000 0.000 0.300
#> 04018 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 09002 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 10005 2 0.3866 -0.2135 0.000 0.516 0.484 0.000 0.000 0.000
#> 11002 2 0.3864 -0.3008 0.000 0.520 0.000 0.480 0.000 0.000
#> 12008 2 0.3747 -0.6179 0.000 0.604 0.000 0.000 0.000 0.396
#> 15006 1 0.3727 0.1794 0.612 0.000 0.000 0.000 0.000 0.388
#> 16002 2 0.3706 -0.6116 0.000 0.620 0.000 0.000 0.000 0.380
#> 16007 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 17003 2 0.3547 0.0970 0.000 0.668 0.000 0.000 0.332 0.000
#> 18001 2 0.2778 0.3086 0.000 0.824 0.000 0.168 0.008 0.000
#> 19002 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 19008 2 0.6129 -0.0399 0.000 0.344 0.000 0.336 0.000 0.320
#> 19014 2 0.0937 0.3041 0.000 0.960 0.000 0.000 0.040 0.000
#> 19017 2 0.0000 0.2829 0.000 1.000 0.000 0.000 0.000 0.000
#> 20005 4 0.3789 0.4224 0.000 0.416 0.000 0.584 0.000 0.000
#> 24006 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 26009 1 0.3747 0.1536 0.604 0.000 0.000 0.000 0.000 0.396
#> 28008 4 0.5414 0.2160 0.000 0.416 0.000 0.468 0.000 0.116
#> 28009 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 31015 2 0.0000 0.2829 0.000 1.000 0.000 0.000 0.000 0.000
#> 37001 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 43006 6 0.5937 0.3118 0.000 0.340 0.000 0.224 0.000 0.436
#> 43015 2 0.3747 -0.6179 0.000 0.604 0.000 0.000 0.000 0.396
#> 44001 2 0.3823 -0.7549 0.000 0.564 0.000 0.000 0.000 0.436
#> 49004 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 56007 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 64005 6 0.3868 0.9138 0.000 0.492 0.000 0.000 0.000 0.508
#> 65003 6 0.3864 0.9399 0.000 0.480 0.000 0.000 0.000 0.520
#> 83001 2 0.3266 -0.2755 0.000 0.728 0.000 0.000 0.000 0.272
#> LAL4 2 0.3619 0.2251 0.000 0.680 0.000 0.000 0.316 0.004
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:pam 124 0.349 0.0488 9.78e-21 2
#> SD:pam 82 0.142 0.8614 8.76e-11 3
#> SD:pam 118 0.480 0.9675 2.87e-15 4
#> SD:pam 112 0.571 0.7498 1.27e-14 5
#> SD:pam 96 0.706 0.2353 2.07e-15 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "mclust"]
# you can also extract it by
# res = res_list["SD:mclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.761 0.958 0.963 0.3963 0.614 0.614
#> 3 3 0.633 0.711 0.802 0.5851 0.726 0.554
#> 4 4 0.972 0.945 0.975 0.1850 0.899 0.709
#> 5 5 0.858 0.871 0.887 0.0331 0.991 0.966
#> 6 6 0.821 0.742 0.853 0.0388 0.920 0.699
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0000 0.952 1.000 0.000
#> 01010 1 0.4690 0.941 0.900 0.100
#> 03002 1 0.0000 0.952 1.000 0.000
#> 04006 1 0.4690 0.941 0.900 0.100
#> 04007 1 0.0000 0.952 1.000 0.000
#> 04008 1 0.3584 0.942 0.932 0.068
#> 04010 1 0.4690 0.941 0.900 0.100
#> 04016 1 0.0376 0.953 0.996 0.004
#> 06002 1 0.0000 0.952 1.000 0.000
#> 08001 1 0.2043 0.958 0.968 0.032
#> 08011 1 0.0000 0.952 1.000 0.000
#> 08012 1 0.0000 0.952 1.000 0.000
#> 08018 1 0.0000 0.952 1.000 0.000
#> 08024 1 0.0000 0.952 1.000 0.000
#> 09008 1 0.4690 0.941 0.900 0.100
#> 09017 1 0.2043 0.958 0.968 0.032
#> 11005 1 0.0000 0.952 1.000 0.000
#> 12006 1 0.0000 0.952 1.000 0.000
#> 12007 1 0.0000 0.952 1.000 0.000
#> 12012 1 0.0000 0.952 1.000 0.000
#> 12019 1 0.0000 0.952 1.000 0.000
#> 12026 1 0.3431 0.943 0.936 0.064
#> 14016 1 0.0938 0.953 0.988 0.012
#> 15001 1 0.0000 0.952 1.000 0.000
#> 15004 1 0.2043 0.958 0.968 0.032
#> 15005 1 0.4690 0.941 0.900 0.100
#> 16004 1 0.4690 0.941 0.900 0.100
#> 16009 1 0.4690 0.941 0.900 0.100
#> 19005 1 0.4690 0.941 0.900 0.100
#> 20002 1 0.3584 0.942 0.932 0.068
#> 22009 1 0.0000 0.952 1.000 0.000
#> 22010 1 0.9129 0.623 0.672 0.328
#> 22011 1 0.0000 0.952 1.000 0.000
#> 22013 1 0.0000 0.952 1.000 0.000
#> 24001 1 0.0000 0.952 1.000 0.000
#> 24005 1 0.2043 0.958 0.968 0.032
#> 24008 1 0.0000 0.952 1.000 0.000
#> 24010 1 0.0000 0.952 1.000 0.000
#> 24011 1 0.0000 0.952 1.000 0.000
#> 24017 1 0.4690 0.941 0.900 0.100
#> 24018 1 0.4690 0.941 0.900 0.100
#> 24019 1 0.4690 0.941 0.900 0.100
#> 24022 1 0.2043 0.958 0.968 0.032
#> 25003 1 0.0000 0.952 1.000 0.000
#> 25006 1 0.4690 0.941 0.900 0.100
#> 26001 1 0.0000 0.952 1.000 0.000
#> 26003 1 0.2043 0.958 0.968 0.032
#> 26005 1 0.0000 0.952 1.000 0.000
#> 26008 1 0.4690 0.941 0.900 0.100
#> 27003 1 0.4690 0.941 0.900 0.100
#> 27004 1 0.2043 0.958 0.968 0.032
#> 28001 1 0.5059 0.932 0.888 0.112
#> 28003 1 0.4690 0.941 0.900 0.100
#> 28005 1 0.2043 0.958 0.968 0.032
#> 28006 1 0.2043 0.958 0.968 0.032
#> 28007 1 0.2043 0.958 0.968 0.032
#> 28019 1 0.4690 0.941 0.900 0.100
#> 28021 1 0.4690 0.941 0.900 0.100
#> 28023 1 0.2043 0.958 0.968 0.032
#> 28024 1 0.2043 0.958 0.968 0.032
#> 28028 1 0.2043 0.958 0.968 0.032
#> 28031 1 0.2043 0.958 0.968 0.032
#> 28032 1 0.4161 0.946 0.916 0.084
#> 28035 1 0.4690 0.941 0.900 0.100
#> 28036 1 0.2043 0.958 0.968 0.032
#> 28037 1 0.4690 0.941 0.900 0.100
#> 28042 1 0.5178 0.928 0.884 0.116
#> 28043 1 0.2043 0.958 0.968 0.032
#> 28044 1 0.2043 0.958 0.968 0.032
#> 28047 1 0.2043 0.958 0.968 0.032
#> 30001 1 0.4690 0.941 0.900 0.100
#> 31007 1 0.5059 0.932 0.888 0.112
#> 31011 1 0.2043 0.958 0.968 0.032
#> 33005 1 0.4690 0.941 0.900 0.100
#> 36001 1 0.4690 0.941 0.900 0.100
#> 36002 1 0.2043 0.958 0.968 0.032
#> 37013 1 0.2043 0.958 0.968 0.032
#> 43001 1 0.0000 0.952 1.000 0.000
#> 43004 1 0.4690 0.941 0.900 0.100
#> 43007 1 0.0000 0.952 1.000 0.000
#> 43012 1 0.4690 0.941 0.900 0.100
#> 48001 1 0.4690 0.941 0.900 0.100
#> 49006 1 0.0000 0.952 1.000 0.000
#> 57001 1 0.2043 0.958 0.968 0.032
#> 62001 1 0.2236 0.957 0.964 0.036
#> 62002 1 0.2043 0.958 0.968 0.032
#> 62003 1 0.4690 0.941 0.900 0.100
#> 63001 1 0.0000 0.952 1.000 0.000
#> 64001 1 0.0000 0.952 1.000 0.000
#> 64002 1 0.4690 0.941 0.900 0.100
#> 65005 1 0.0000 0.952 1.000 0.000
#> 68001 1 0.4690 0.941 0.900 0.100
#> 68003 1 0.0000 0.952 1.000 0.000
#> 84004 1 0.2043 0.958 0.968 0.032
#> LAL5 1 0.3879 0.949 0.924 0.076
#> 01003 2 0.0000 0.997 0.000 1.000
#> 01007 2 0.0000 0.997 0.000 1.000
#> 02020 2 0.0000 0.997 0.000 1.000
#> 04018 2 0.0000 0.997 0.000 1.000
#> 09002 2 0.0000 0.997 0.000 1.000
#> 10005 2 0.3114 0.954 0.056 0.944
#> 11002 2 0.0000 0.997 0.000 1.000
#> 12008 2 0.0000 0.997 0.000 1.000
#> 15006 2 0.1633 0.974 0.024 0.976
#> 16002 2 0.0000 0.997 0.000 1.000
#> 16007 2 0.0000 0.997 0.000 1.000
#> 17003 2 0.0000 0.997 0.000 1.000
#> 18001 2 0.0000 0.997 0.000 1.000
#> 19002 2 0.0000 0.997 0.000 1.000
#> 19008 2 0.0000 0.997 0.000 1.000
#> 19014 2 0.0000 0.997 0.000 1.000
#> 19017 2 0.0000 0.997 0.000 1.000
#> 20005 2 0.0000 0.997 0.000 1.000
#> 24006 2 0.0000 0.997 0.000 1.000
#> 26009 2 0.1633 0.974 0.024 0.976
#> 28008 2 0.0000 0.997 0.000 1.000
#> 28009 2 0.0000 0.997 0.000 1.000
#> 31015 2 0.0000 0.997 0.000 1.000
#> 37001 2 0.0000 0.997 0.000 1.000
#> 43006 2 0.0000 0.997 0.000 1.000
#> 43015 2 0.0000 0.997 0.000 1.000
#> 44001 2 0.0000 0.997 0.000 1.000
#> 49004 2 0.0000 0.997 0.000 1.000
#> 56007 2 0.0000 0.997 0.000 1.000
#> 64005 2 0.0000 0.997 0.000 1.000
#> 65003 2 0.0000 0.997 0.000 1.000
#> 83001 2 0.0000 0.997 0.000 1.000
#> LAL4 2 0.0000 0.997 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.9017 0.000 0.000 1.000
#> 01010 1 0.5291 0.3153 0.732 0.000 0.268
#> 03002 3 0.0000 0.9017 0.000 0.000 1.000
#> 04006 1 0.6225 0.0691 0.568 0.000 0.432
#> 04007 3 0.0475 0.8999 0.004 0.004 0.992
#> 04008 3 0.2066 0.8599 0.060 0.000 0.940
#> 04010 1 0.0237 0.5359 0.996 0.000 0.004
#> 04016 3 0.0424 0.8998 0.008 0.000 0.992
#> 06002 3 0.3267 0.7904 0.116 0.000 0.884
#> 08001 3 0.6057 0.0556 0.340 0.004 0.656
#> 08011 3 0.0000 0.9017 0.000 0.000 1.000
#> 08012 3 0.3267 0.7904 0.116 0.000 0.884
#> 08018 3 0.3267 0.7904 0.116 0.000 0.884
#> 08024 3 0.0000 0.9017 0.000 0.000 1.000
#> 09008 1 0.0237 0.5359 0.996 0.000 0.004
#> 09017 1 0.6495 0.4979 0.536 0.004 0.460
#> 11005 3 0.0475 0.8999 0.004 0.004 0.992
#> 12006 3 0.0592 0.8979 0.012 0.000 0.988
#> 12007 3 0.0000 0.9017 0.000 0.000 1.000
#> 12012 3 0.0000 0.9017 0.000 0.000 1.000
#> 12019 3 0.0000 0.9017 0.000 0.000 1.000
#> 12026 3 0.3267 0.7904 0.116 0.000 0.884
#> 14016 3 0.0747 0.8946 0.016 0.000 0.984
#> 15001 3 0.0000 0.9017 0.000 0.000 1.000
#> 15004 1 0.6476 0.5173 0.548 0.004 0.448
#> 15005 1 0.1289 0.5377 0.968 0.000 0.032
#> 16004 1 0.2261 0.5051 0.932 0.000 0.068
#> 16009 1 0.6225 0.0691 0.568 0.000 0.432
#> 19005 3 0.3918 0.7599 0.140 0.004 0.856
#> 20002 3 0.3619 0.7773 0.136 0.000 0.864
#> 22009 3 0.3192 0.7962 0.112 0.000 0.888
#> 22010 1 0.9712 0.3650 0.436 0.232 0.332
#> 22011 3 0.0000 0.9017 0.000 0.000 1.000
#> 22013 3 0.0000 0.9017 0.000 0.000 1.000
#> 24001 3 0.0000 0.9017 0.000 0.000 1.000
#> 24005 1 0.6483 0.5124 0.544 0.004 0.452
#> 24008 3 0.0000 0.9017 0.000 0.000 1.000
#> 24010 3 0.0237 0.9016 0.004 0.000 0.996
#> 24011 3 0.0000 0.9017 0.000 0.000 1.000
#> 24017 1 0.6225 0.0691 0.568 0.000 0.432
#> 24018 1 0.1753 0.5377 0.952 0.000 0.048
#> 24019 1 0.6225 0.0691 0.568 0.000 0.432
#> 24022 1 0.6476 0.5173 0.548 0.004 0.448
#> 25003 3 0.0000 0.9017 0.000 0.000 1.000
#> 25006 1 0.5098 0.3406 0.752 0.000 0.248
#> 26001 3 0.1643 0.8722 0.044 0.000 0.956
#> 26003 1 0.6476 0.5173 0.548 0.004 0.448
#> 26005 3 0.0000 0.9017 0.000 0.000 1.000
#> 26008 1 0.6225 0.0691 0.568 0.000 0.432
#> 27003 1 0.6468 0.5205 0.552 0.004 0.444
#> 27004 1 0.6476 0.5173 0.548 0.004 0.448
#> 28001 1 0.7868 0.4835 0.524 0.056 0.420
#> 28003 1 0.6451 0.5248 0.560 0.004 0.436
#> 28005 1 0.6476 0.5173 0.548 0.004 0.448
#> 28006 1 0.6476 0.5173 0.548 0.004 0.448
#> 28007 1 0.6476 0.5173 0.548 0.004 0.448
#> 28019 1 0.0237 0.5359 0.996 0.000 0.004
#> 28021 1 0.0237 0.5359 0.996 0.000 0.004
#> 28023 1 0.6148 0.5393 0.640 0.004 0.356
#> 28024 1 0.6468 0.5205 0.552 0.004 0.444
#> 28028 1 0.6476 0.5173 0.548 0.004 0.448
#> 28031 1 0.6451 0.5244 0.560 0.004 0.436
#> 28032 1 0.6468 0.5205 0.552 0.004 0.444
#> 28035 1 0.0237 0.5359 0.996 0.000 0.004
#> 28036 1 0.6476 0.5173 0.548 0.004 0.448
#> 28037 1 0.0237 0.5359 0.996 0.000 0.004
#> 28042 1 0.7138 0.5120 0.540 0.024 0.436
#> 28043 1 0.6476 0.5173 0.548 0.004 0.448
#> 28044 1 0.6189 0.5386 0.632 0.004 0.364
#> 28047 1 0.6476 0.5173 0.548 0.004 0.448
#> 30001 1 0.0237 0.5359 0.996 0.000 0.004
#> 31007 1 0.6905 0.5158 0.544 0.016 0.440
#> 31011 1 0.6476 0.5173 0.548 0.004 0.448
#> 33005 1 0.0237 0.5359 0.996 0.000 0.004
#> 36001 1 0.0237 0.5359 0.996 0.000 0.004
#> 36002 3 0.6169 -0.0183 0.360 0.004 0.636
#> 37013 3 0.3272 0.8036 0.104 0.004 0.892
#> 43001 3 0.0237 0.9016 0.004 0.000 0.996
#> 43004 1 0.4293 0.5444 0.832 0.004 0.164
#> 43007 3 0.0237 0.9001 0.000 0.004 0.996
#> 43012 1 0.6451 0.5248 0.560 0.004 0.436
#> 48001 1 0.0000 0.5353 1.000 0.000 0.000
#> 49006 3 0.0237 0.9016 0.004 0.000 0.996
#> 57001 1 0.6468 0.5205 0.552 0.004 0.444
#> 62001 1 0.6264 0.5368 0.616 0.004 0.380
#> 62002 1 0.6468 0.5205 0.552 0.004 0.444
#> 62003 3 0.3784 0.7625 0.132 0.004 0.864
#> 63001 3 0.0237 0.9015 0.004 0.000 0.996
#> 64001 3 0.0000 0.9017 0.000 0.000 1.000
#> 64002 1 0.6225 0.0691 0.568 0.000 0.432
#> 65005 3 0.0000 0.9017 0.000 0.000 1.000
#> 68001 1 0.6215 0.0755 0.572 0.000 0.428
#> 68003 3 0.0237 0.9016 0.004 0.000 0.996
#> 84004 3 0.6057 0.0556 0.340 0.004 0.656
#> LAL5 1 0.6476 0.5173 0.548 0.004 0.448
#> 01003 2 0.0000 0.9978 0.000 1.000 0.000
#> 01007 2 0.0000 0.9978 0.000 1.000 0.000
#> 02020 2 0.0000 0.9978 0.000 1.000 0.000
#> 04018 2 0.0000 0.9978 0.000 1.000 0.000
#> 09002 2 0.0000 0.9978 0.000 1.000 0.000
#> 10005 2 0.0000 0.9978 0.000 1.000 0.000
#> 11002 2 0.0000 0.9978 0.000 1.000 0.000
#> 12008 2 0.0000 0.9978 0.000 1.000 0.000
#> 15006 2 0.1163 0.9772 0.028 0.972 0.000
#> 16002 2 0.0000 0.9978 0.000 1.000 0.000
#> 16007 2 0.0000 0.9978 0.000 1.000 0.000
#> 17003 2 0.0592 0.9887 0.012 0.988 0.000
#> 18001 2 0.0000 0.9978 0.000 1.000 0.000
#> 19002 2 0.0000 0.9978 0.000 1.000 0.000
#> 19008 2 0.0000 0.9978 0.000 1.000 0.000
#> 19014 2 0.0000 0.9978 0.000 1.000 0.000
#> 19017 2 0.0000 0.9978 0.000 1.000 0.000
#> 20005 2 0.0000 0.9978 0.000 1.000 0.000
#> 24006 2 0.0000 0.9978 0.000 1.000 0.000
#> 26009 2 0.1163 0.9772 0.028 0.972 0.000
#> 28008 2 0.0000 0.9978 0.000 1.000 0.000
#> 28009 2 0.0000 0.9978 0.000 1.000 0.000
#> 31015 2 0.0000 0.9978 0.000 1.000 0.000
#> 37001 2 0.0000 0.9978 0.000 1.000 0.000
#> 43006 2 0.0000 0.9978 0.000 1.000 0.000
#> 43015 2 0.0000 0.9978 0.000 1.000 0.000
#> 44001 2 0.0000 0.9978 0.000 1.000 0.000
#> 49004 2 0.0000 0.9978 0.000 1.000 0.000
#> 56007 2 0.0000 0.9978 0.000 1.000 0.000
#> 64005 2 0.0000 0.9978 0.000 1.000 0.000
#> 65003 2 0.0000 0.9978 0.000 1.000 0.000
#> 83001 2 0.0592 0.9887 0.012 0.988 0.000
#> LAL4 2 0.0000 0.9978 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 04008 3 0.1716 0.926 0.064 0.000 0.936 0.000
#> 04010 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 08001 3 0.2469 0.879 0.000 0.000 0.892 0.108
#> 08011 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 08012 3 0.2011 0.907 0.000 0.000 0.920 0.080
#> 08018 3 0.3569 0.753 0.000 0.000 0.804 0.196
#> 08024 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 09017 4 0.2589 0.844 0.000 0.000 0.116 0.884
#> 11005 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 12006 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 15005 1 0.5907 0.651 0.680 0.000 0.092 0.228
#> 16004 1 0.2342 0.901 0.912 0.000 0.008 0.080
#> 16009 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 19005 4 0.4277 0.629 0.000 0.000 0.280 0.720
#> 20002 3 0.2149 0.902 0.088 0.000 0.912 0.000
#> 22009 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 22010 4 0.1867 0.890 0.000 0.072 0.000 0.928
#> 22011 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 24005 4 0.1022 0.931 0.000 0.000 0.032 0.968
#> 24008 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 24018 1 0.5939 0.627 0.668 0.000 0.084 0.248
#> 24019 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28001 4 0.1489 0.918 0.000 0.004 0.044 0.952
#> 28003 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28031 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28032 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28035 1 0.0336 0.955 0.992 0.000 0.000 0.008
#> 28036 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28037 1 0.0469 0.953 0.988 0.000 0.000 0.012
#> 28042 4 0.0592 0.947 0.000 0.016 0.000 0.984
#> 28043 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 31007 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 31011 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 36001 1 0.1867 0.909 0.928 0.000 0.000 0.072
#> 36002 3 0.1474 0.936 0.000 0.000 0.948 0.052
#> 37013 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 48001 1 0.2216 0.893 0.908 0.000 0.000 0.092
#> 49006 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 57001 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 62001 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 62003 4 0.4996 0.082 0.000 0.000 0.484 0.516
#> 63001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.959 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.981 0.000 0.000 1.000 0.000
#> 84004 3 0.2345 0.888 0.000 0.000 0.900 0.100
#> LAL5 4 0.0000 0.961 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 10005 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 11002 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 15006 2 0.4374 0.803 0.120 0.812 0.000 0.068
#> 16002 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 17003 2 0.2011 0.906 0.000 0.920 0.000 0.080
#> 18001 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 26009 2 0.4374 0.803 0.120 0.812 0.000 0.068
#> 28008 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.983 0.000 1.000 0.000 0.000
#> 83001 2 0.1940 0.910 0.000 0.924 0.000 0.076
#> LAL4 2 0.0000 0.983 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.2377 0.85099 0.000 0.000 0.872 0.000 NA
#> 01010 1 0.4150 0.81061 0.612 0.000 0.000 0.000 NA
#> 03002 3 0.1341 0.86449 0.000 0.000 0.944 0.000 NA
#> 04006 1 0.0162 0.79113 0.996 0.000 0.000 0.000 NA
#> 04007 3 0.1965 0.85098 0.000 0.000 0.904 0.000 NA
#> 04008 3 0.4734 0.81012 0.088 0.000 0.724 0.000 NA
#> 04010 1 0.4287 0.80600 0.540 0.000 0.000 0.000 NA
#> 04016 3 0.3177 0.84491 0.000 0.000 0.792 0.000 NA
#> 06002 3 0.3752 0.82032 0.000 0.000 0.708 0.000 NA
#> 08001 3 0.4123 0.77109 0.000 0.000 0.788 0.104 NA
#> 08011 3 0.2179 0.85808 0.000 0.000 0.888 0.000 NA
#> 08012 3 0.5158 0.76358 0.000 0.000 0.656 0.080 NA
#> 08018 3 0.5716 0.70444 0.000 0.000 0.616 0.144 NA
#> 08024 3 0.1341 0.87078 0.000 0.000 0.944 0.000 NA
#> 09008 1 0.4287 0.80600 0.540 0.000 0.000 0.000 NA
#> 09017 4 0.2929 0.78149 0.000 0.000 0.152 0.840 NA
#> 11005 3 0.2127 0.84890 0.000 0.000 0.892 0.000 NA
#> 12006 3 0.1197 0.86535 0.000 0.000 0.952 0.000 NA
#> 12007 3 0.1410 0.86862 0.000 0.000 0.940 0.000 NA
#> 12012 3 0.1908 0.87342 0.000 0.000 0.908 0.000 NA
#> 12019 3 0.2966 0.85080 0.000 0.000 0.816 0.000 NA
#> 12026 3 0.3816 0.81349 0.000 0.000 0.696 0.000 NA
#> 14016 3 0.3730 0.82251 0.000 0.000 0.712 0.000 NA
#> 15001 3 0.1478 0.87021 0.000 0.000 0.936 0.000 NA
#> 15004 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 15005 1 0.6868 0.37711 0.448 0.000 0.036 0.392 NA
#> 16004 1 0.2756 0.78082 0.892 0.000 0.036 0.012 NA
#> 16009 1 0.0404 0.79437 0.988 0.000 0.000 0.000 NA
#> 19005 3 0.5827 0.28686 0.020 0.000 0.520 0.408 NA
#> 20002 3 0.4926 0.79147 0.112 0.000 0.712 0.000 NA
#> 22009 3 0.3305 0.83743 0.000 0.000 0.776 0.000 NA
#> 22010 4 0.2664 0.84905 0.004 0.092 0.000 0.884 NA
#> 22011 3 0.2280 0.86811 0.000 0.000 0.880 0.000 NA
#> 22013 3 0.1792 0.87387 0.000 0.000 0.916 0.000 NA
#> 24001 3 0.2773 0.85751 0.000 0.000 0.836 0.000 NA
#> 24005 4 0.1205 0.92331 0.000 0.000 0.040 0.956 NA
#> 24008 3 0.1197 0.87585 0.000 0.000 0.952 0.000 NA
#> 24010 3 0.1608 0.87279 0.000 0.000 0.928 0.000 NA
#> 24011 3 0.1121 0.87024 0.000 0.000 0.956 0.000 NA
#> 24017 1 0.0162 0.79113 0.996 0.000 0.000 0.000 NA
#> 24018 1 0.6965 0.34263 0.424 0.000 0.036 0.404 NA
#> 24019 1 0.0162 0.79113 0.996 0.000 0.000 0.000 NA
#> 24022 4 0.0290 0.95934 0.000 0.000 0.000 0.992 NA
#> 25003 3 0.2732 0.86126 0.000 0.000 0.840 0.000 NA
#> 25006 1 0.1608 0.80188 0.928 0.000 0.000 0.000 NA
#> 26001 3 0.3561 0.83602 0.000 0.000 0.740 0.000 NA
#> 26003 4 0.0162 0.95949 0.000 0.000 0.000 0.996 NA
#> 26005 3 0.1270 0.87057 0.000 0.000 0.948 0.000 NA
#> 26008 1 0.0162 0.79113 0.996 0.000 0.000 0.000 NA
#> 27003 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 27004 4 0.0404 0.95788 0.000 0.000 0.000 0.988 NA
#> 28001 4 0.1016 0.94590 0.008 0.012 0.004 0.972 NA
#> 28003 4 0.0324 0.95851 0.004 0.000 0.000 0.992 NA
#> 28005 4 0.0404 0.95788 0.000 0.000 0.000 0.988 NA
#> 28006 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 28007 4 0.0162 0.95949 0.000 0.000 0.000 0.996 NA
#> 28019 1 0.4287 0.80600 0.540 0.000 0.000 0.000 NA
#> 28021 1 0.4287 0.80600 0.540 0.000 0.000 0.000 NA
#> 28023 4 0.0290 0.95830 0.000 0.000 0.000 0.992 NA
#> 28024 4 0.0290 0.95905 0.000 0.000 0.000 0.992 NA
#> 28028 4 0.0609 0.95618 0.000 0.000 0.000 0.980 NA
#> 28031 4 0.0451 0.95506 0.000 0.000 0.008 0.988 NA
#> 28032 4 0.0609 0.95618 0.000 0.000 0.000 0.980 NA
#> 28035 1 0.4546 0.80431 0.532 0.000 0.000 0.008 NA
#> 28036 4 0.0290 0.95934 0.000 0.000 0.000 0.992 NA
#> 28037 1 0.4644 0.80311 0.528 0.000 0.000 0.012 NA
#> 28042 4 0.1216 0.93927 0.000 0.020 0.000 0.960 NA
#> 28043 4 0.0162 0.95949 0.000 0.000 0.000 0.996 NA
#> 28044 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 28047 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 30001 1 0.4283 0.80619 0.544 0.000 0.000 0.000 NA
#> 31007 4 0.0671 0.95452 0.000 0.004 0.000 0.980 NA
#> 31011 4 0.0162 0.95949 0.000 0.000 0.000 0.996 NA
#> 33005 1 0.4287 0.80600 0.540 0.000 0.000 0.000 NA
#> 36001 1 0.6069 0.72343 0.648 0.000 0.032 0.172 NA
#> 36002 3 0.3648 0.80709 0.000 0.000 0.824 0.092 NA
#> 37013 3 0.3882 0.82948 0.000 0.000 0.756 0.020 NA
#> 43001 3 0.2020 0.87539 0.000 0.000 0.900 0.000 NA
#> 43004 4 0.1124 0.93633 0.000 0.000 0.004 0.960 NA
#> 43007 3 0.3074 0.85203 0.000 0.000 0.804 0.000 NA
#> 43012 4 0.0324 0.95851 0.004 0.000 0.000 0.992 NA
#> 48001 1 0.6741 0.73744 0.520 0.000 0.028 0.148 NA
#> 49006 3 0.2516 0.84748 0.000 0.000 0.860 0.000 NA
#> 57001 4 0.0510 0.95616 0.000 0.000 0.000 0.984 NA
#> 62001 4 0.0000 0.95943 0.000 0.000 0.000 1.000 NA
#> 62002 4 0.0162 0.95949 0.000 0.000 0.000 0.996 NA
#> 62003 4 0.5303 0.00256 0.004 0.000 0.440 0.516 NA
#> 63001 3 0.2329 0.87082 0.000 0.000 0.876 0.000 NA
#> 64001 3 0.2471 0.84886 0.000 0.000 0.864 0.000 NA
#> 64002 1 0.0162 0.79113 0.996 0.000 0.000 0.000 NA
#> 65005 3 0.2471 0.84886 0.000 0.000 0.864 0.000 NA
#> 68001 1 0.0000 0.79197 1.000 0.000 0.000 0.000 NA
#> 68003 3 0.1121 0.86647 0.000 0.000 0.956 0.000 NA
#> 84004 3 0.2782 0.84336 0.000 0.000 0.880 0.048 NA
#> LAL5 4 0.0510 0.95616 0.000 0.000 0.000 0.984 NA
#> 01003 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 01007 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 02020 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 04018 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 09002 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 10005 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 11002 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 12008 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 15006 2 0.3911 0.77916 0.176 0.792 0.004 0.008 NA
#> 16002 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 16007 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 17003 2 0.2935 0.83786 0.016 0.860 0.000 0.120 NA
#> 18001 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 19002 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 19008 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 19014 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 19017 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 20005 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 24006 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 26009 2 0.3911 0.77916 0.176 0.792 0.004 0.008 NA
#> 28008 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 28009 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 31015 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 37001 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 43006 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 43015 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 44001 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 49004 2 0.0290 0.97362 0.000 0.992 0.000 0.000 NA
#> 56007 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 64005 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 65003 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
#> 83001 2 0.2694 0.83669 0.004 0.864 0.000 0.128 NA
#> LAL4 2 0.0000 0.97668 0.000 1.000 0.000 0.000 NA
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.2454 0.6122 0.000 0.000 0.840 0.000 0.160 0.000
#> 01010 1 0.2730 0.6349 0.808 0.000 0.000 0.000 0.000 0.192
#> 03002 5 0.3789 0.6627 0.000 0.000 0.416 0.000 0.584 0.000
#> 04006 6 0.1327 0.8988 0.064 0.000 0.000 0.000 0.000 0.936
#> 04007 5 0.3684 0.6824 0.000 0.000 0.372 0.000 0.628 0.000
#> 04008 3 0.2776 0.6235 0.004 0.000 0.860 0.000 0.032 0.104
#> 04010 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 3 0.3868 -0.5879 0.000 0.000 0.508 0.000 0.492 0.000
#> 06002 3 0.1007 0.7095 0.000 0.000 0.956 0.000 0.044 0.000
#> 08001 5 0.4855 0.6408 0.000 0.000 0.256 0.104 0.640 0.000
#> 08011 3 0.2048 0.6554 0.000 0.000 0.880 0.000 0.120 0.000
#> 08012 5 0.3867 0.5284 0.000 0.000 0.488 0.000 0.512 0.000
#> 08018 5 0.4535 0.5231 0.000 0.000 0.480 0.032 0.488 0.000
#> 08024 3 0.0458 0.7224 0.000 0.000 0.984 0.000 0.016 0.000
#> 09008 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 09017 4 0.4127 0.5297 0.000 0.000 0.036 0.680 0.284 0.000
#> 11005 5 0.3531 0.6978 0.000 0.000 0.328 0.000 0.672 0.000
#> 12006 5 0.3852 0.6975 0.000 0.000 0.384 0.004 0.612 0.000
#> 12007 3 0.0713 0.7203 0.000 0.000 0.972 0.000 0.028 0.000
#> 12012 3 0.0458 0.7200 0.000 0.000 0.984 0.000 0.016 0.000
#> 12019 3 0.3857 -0.5461 0.000 0.000 0.532 0.000 0.468 0.000
#> 12026 3 0.1075 0.7077 0.000 0.000 0.952 0.000 0.048 0.000
#> 14016 3 0.0865 0.7127 0.000 0.000 0.964 0.000 0.036 0.000
#> 15001 3 0.0547 0.7224 0.000 0.000 0.980 0.000 0.020 0.000
#> 15004 4 0.0603 0.9097 0.000 0.000 0.000 0.980 0.016 0.004
#> 15005 4 0.6427 0.2427 0.284 0.000 0.032 0.524 0.144 0.016
#> 16004 6 0.5405 0.4732 0.292 0.000 0.000 0.004 0.132 0.572
#> 16009 6 0.1501 0.8975 0.076 0.000 0.000 0.000 0.000 0.924
#> 19005 5 0.6568 0.4112 0.008 0.000 0.336 0.172 0.452 0.032
#> 20002 3 0.2868 0.6133 0.004 0.000 0.852 0.000 0.032 0.112
#> 22009 3 0.3756 -0.3568 0.000 0.000 0.600 0.000 0.400 0.000
#> 22010 4 0.4963 0.5791 0.000 0.236 0.000 0.668 0.072 0.024
#> 22011 3 0.3869 -0.6147 0.000 0.000 0.500 0.000 0.500 0.000
#> 22013 3 0.0260 0.7227 0.000 0.000 0.992 0.000 0.008 0.000
#> 24001 5 0.3843 0.6369 0.000 0.000 0.452 0.000 0.548 0.000
#> 24005 4 0.1434 0.8886 0.000 0.000 0.012 0.940 0.048 0.000
#> 24008 3 0.1714 0.6381 0.000 0.000 0.908 0.000 0.092 0.000
#> 24010 5 0.3695 0.7003 0.000 0.000 0.376 0.000 0.624 0.000
#> 24011 3 0.0632 0.7205 0.000 0.000 0.976 0.000 0.024 0.000
#> 24017 6 0.1663 0.8931 0.088 0.000 0.000 0.000 0.000 0.912
#> 24018 4 0.6161 0.1280 0.320 0.000 0.000 0.488 0.168 0.024
#> 24019 6 0.1327 0.8992 0.064 0.000 0.000 0.000 0.000 0.936
#> 24022 4 0.0146 0.9133 0.000 0.000 0.000 0.996 0.004 0.000
#> 25003 5 0.3866 0.6115 0.000 0.000 0.484 0.000 0.516 0.000
#> 25006 6 0.3244 0.7066 0.268 0.000 0.000 0.000 0.000 0.732
#> 26001 3 0.0790 0.7136 0.000 0.000 0.968 0.000 0.032 0.000
#> 26003 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 26005 3 0.0260 0.7227 0.000 0.000 0.992 0.000 0.008 0.000
#> 26008 6 0.1267 0.8982 0.060 0.000 0.000 0.000 0.000 0.940
#> 27003 4 0.0260 0.9116 0.000 0.000 0.000 0.992 0.008 0.000
#> 27004 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28001 4 0.1442 0.8921 0.000 0.004 0.000 0.944 0.040 0.012
#> 28003 4 0.1218 0.9049 0.000 0.000 0.004 0.956 0.012 0.028
#> 28005 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28006 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28007 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28019 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0260 0.8458 0.992 0.000 0.000 0.008 0.000 0.000
#> 28023 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28024 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28028 4 0.1895 0.8811 0.000 0.000 0.000 0.912 0.072 0.016
#> 28031 4 0.0865 0.8992 0.000 0.000 0.000 0.964 0.036 0.000
#> 28032 4 0.1983 0.8791 0.000 0.000 0.000 0.908 0.072 0.020
#> 28035 1 0.0146 0.8488 0.996 0.000 0.000 0.004 0.000 0.000
#> 28036 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 28042 4 0.3095 0.8384 0.000 0.052 0.000 0.856 0.072 0.020
#> 28043 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28044 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 28047 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 30001 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 31007 4 0.2094 0.8779 0.000 0.000 0.000 0.900 0.080 0.020
#> 31011 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 1 0.0000 0.8513 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 1 0.7124 0.0363 0.396 0.000 0.000 0.212 0.092 0.300
#> 36002 5 0.4711 0.6751 0.000 0.000 0.280 0.080 0.640 0.000
#> 37013 5 0.3986 0.6090 0.000 0.000 0.464 0.004 0.532 0.000
#> 43001 3 0.3371 0.1475 0.000 0.000 0.708 0.000 0.292 0.000
#> 43004 4 0.3062 0.7499 0.160 0.000 0.000 0.816 0.024 0.000
#> 43007 5 0.3817 0.6636 0.000 0.000 0.432 0.000 0.568 0.000
#> 43012 4 0.1053 0.9069 0.000 0.000 0.004 0.964 0.012 0.020
#> 48001 1 0.5331 0.4475 0.620 0.000 0.000 0.260 0.100 0.020
#> 49006 3 0.2597 0.5937 0.000 0.000 0.824 0.000 0.176 0.000
#> 57001 4 0.2039 0.8786 0.000 0.000 0.000 0.904 0.076 0.020
#> 62001 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 62002 4 0.0000 0.9138 0.000 0.000 0.000 1.000 0.000 0.000
#> 62003 5 0.5972 0.4431 0.004 0.000 0.240 0.216 0.532 0.008
#> 63001 3 0.2631 0.5223 0.000 0.000 0.820 0.000 0.180 0.000
#> 64001 3 0.2527 0.6047 0.000 0.000 0.832 0.000 0.168 0.000
#> 64002 6 0.1267 0.8982 0.060 0.000 0.000 0.000 0.000 0.940
#> 65005 3 0.2491 0.6149 0.000 0.000 0.836 0.000 0.164 0.000
#> 68001 6 0.2219 0.8600 0.136 0.000 0.000 0.000 0.000 0.864
#> 68003 5 0.3634 0.7033 0.000 0.000 0.356 0.000 0.644 0.000
#> 84004 5 0.4749 0.6518 0.000 0.000 0.260 0.092 0.648 0.000
#> LAL5 4 0.2094 0.8779 0.000 0.000 0.000 0.900 0.080 0.020
#> 01003 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 02020 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 04018 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 09002 2 0.2930 0.8677 0.000 0.840 0.000 0.000 0.124 0.036
#> 10005 2 0.3072 0.8653 0.000 0.836 0.004 0.000 0.124 0.036
#> 11002 2 0.0790 0.9355 0.000 0.968 0.000 0.000 0.000 0.032
#> 12008 2 0.2930 0.8677 0.000 0.840 0.000 0.000 0.124 0.036
#> 15006 2 0.3590 0.7919 0.004 0.804 0.000 0.000 0.076 0.116
#> 16002 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 16007 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 17003 2 0.1967 0.8719 0.000 0.904 0.000 0.084 0.000 0.012
#> 18001 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 19002 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 19008 2 0.0146 0.9460 0.000 0.996 0.000 0.000 0.000 0.004
#> 19014 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 19017 2 0.2930 0.8677 0.000 0.840 0.000 0.000 0.124 0.036
#> 20005 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 24006 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 26009 2 0.3590 0.7919 0.004 0.804 0.000 0.000 0.076 0.116
#> 28008 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 28009 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 31015 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 37001 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 2 0.2930 0.8677 0.000 0.840 0.000 0.000 0.124 0.036
#> 43015 2 0.2726 0.8767 0.000 0.856 0.000 0.000 0.112 0.032
#> 44001 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 49004 2 0.2930 0.8677 0.000 0.840 0.000 0.000 0.124 0.036
#> 56007 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
#> 65003 2 0.0146 0.9470 0.000 0.996 0.000 0.000 0.000 0.004
#> 83001 2 0.1967 0.8719 0.000 0.904 0.000 0.084 0.000 0.012
#> LAL4 2 0.0000 0.9471 0.000 1.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:mclust 128 0.329 0.173 3.06e-23 2
#> SD:mclust 113 0.141 0.343 9.05e-22 3
#> SD:mclust 127 0.108 0.599 5.41e-22 4
#> SD:mclust 124 0.151 0.650 1.03e-21 5
#> SD:mclust 116 0.538 0.853 5.08e-17 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "NMF"]
# you can also extract it by
# res = res_list["SD:NMF"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.387 0.735 0.860 0.4366 0.556 0.556
#> 3 3 0.682 0.828 0.916 0.4674 0.689 0.489
#> 4 4 0.906 0.922 0.966 0.1701 0.826 0.550
#> 5 5 0.795 0.769 0.879 0.0653 0.898 0.627
#> 6 6 0.748 0.696 0.824 0.0330 0.980 0.900
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.9983 -0.2484 0.524 0.476
#> 01010 1 0.0000 0.8863 1.000 0.000
#> 03002 2 0.9427 0.6366 0.360 0.640
#> 04006 1 0.0000 0.8863 1.000 0.000
#> 04007 2 0.9710 0.5697 0.400 0.600
#> 04008 1 0.0000 0.8863 1.000 0.000
#> 04010 1 0.0000 0.8863 1.000 0.000
#> 04016 2 0.9460 0.6305 0.364 0.636
#> 06002 1 0.8813 0.4159 0.700 0.300
#> 08001 2 0.7219 0.7970 0.200 0.800
#> 08011 2 0.9993 0.3617 0.484 0.516
#> 08012 2 0.7219 0.7970 0.200 0.800
#> 08018 2 0.7528 0.7876 0.216 0.784
#> 08024 1 0.9427 0.2308 0.640 0.360
#> 09008 1 0.0000 0.8863 1.000 0.000
#> 09017 2 0.8144 0.7597 0.252 0.748
#> 11005 2 0.7219 0.7970 0.200 0.800
#> 12006 2 0.9909 0.4743 0.444 0.556
#> 12007 2 0.9881 0.4931 0.436 0.564
#> 12012 2 0.9944 0.4430 0.456 0.544
#> 12019 1 0.9988 -0.2629 0.520 0.480
#> 12026 1 0.0000 0.8863 1.000 0.000
#> 14016 1 0.0672 0.8801 0.992 0.008
#> 15001 1 0.4161 0.8079 0.916 0.084
#> 15004 2 0.7219 0.7970 0.200 0.800
#> 15005 1 0.0000 0.8863 1.000 0.000
#> 16004 1 0.0000 0.8863 1.000 0.000
#> 16009 1 0.0000 0.8863 1.000 0.000
#> 19005 1 0.0000 0.8863 1.000 0.000
#> 20002 1 0.0000 0.8863 1.000 0.000
#> 22009 2 0.9909 0.4744 0.444 0.556
#> 22010 2 0.0000 0.7892 0.000 1.000
#> 22011 2 0.9044 0.6897 0.320 0.680
#> 22013 1 0.4431 0.7988 0.908 0.092
#> 24001 2 0.9686 0.5771 0.396 0.604
#> 24005 2 0.7219 0.7970 0.200 0.800
#> 24008 2 0.9815 0.5289 0.420 0.580
#> 24010 2 0.9686 0.5772 0.396 0.604
#> 24011 1 0.9608 0.1412 0.616 0.384
#> 24017 1 0.0000 0.8863 1.000 0.000
#> 24018 1 0.0000 0.8863 1.000 0.000
#> 24019 1 0.0000 0.8863 1.000 0.000
#> 24022 2 0.5294 0.8016 0.120 0.880
#> 25003 2 0.9580 0.6048 0.380 0.620
#> 25006 1 0.0000 0.8863 1.000 0.000
#> 26001 1 0.0000 0.8863 1.000 0.000
#> 26003 2 0.7219 0.7970 0.200 0.800
#> 26005 1 0.7453 0.6171 0.788 0.212
#> 26008 1 0.0000 0.8863 1.000 0.000
#> 27003 2 0.6973 0.7993 0.188 0.812
#> 27004 2 0.7219 0.7970 0.200 0.800
#> 28001 2 0.7815 0.7768 0.232 0.768
#> 28003 2 0.6712 0.8008 0.176 0.824
#> 28005 2 0.7219 0.7970 0.200 0.800
#> 28006 2 0.7219 0.7970 0.200 0.800
#> 28007 2 0.7219 0.7970 0.200 0.800
#> 28019 1 0.0000 0.8863 1.000 0.000
#> 28021 1 0.0000 0.8863 1.000 0.000
#> 28023 2 0.7376 0.7927 0.208 0.792
#> 28024 2 0.7219 0.7970 0.200 0.800
#> 28028 2 0.4815 0.8009 0.104 0.896
#> 28031 2 0.9358 0.6482 0.352 0.648
#> 28032 2 0.0000 0.7892 0.000 1.000
#> 28035 1 0.0000 0.8863 1.000 0.000
#> 28036 2 0.4562 0.8001 0.096 0.904
#> 28037 1 0.0000 0.8863 1.000 0.000
#> 28042 2 0.0000 0.7892 0.000 1.000
#> 28043 2 0.7219 0.7970 0.200 0.800
#> 28044 2 0.7815 0.7763 0.232 0.768
#> 28047 2 0.7139 0.7980 0.196 0.804
#> 30001 1 0.0000 0.8863 1.000 0.000
#> 31007 2 0.7139 0.7980 0.196 0.804
#> 31011 2 0.7299 0.7949 0.204 0.796
#> 33005 1 0.0000 0.8863 1.000 0.000
#> 36001 1 0.0000 0.8863 1.000 0.000
#> 36002 2 0.9710 0.5697 0.400 0.600
#> 37013 2 0.9998 0.3371 0.492 0.508
#> 43001 1 0.0000 0.8863 1.000 0.000
#> 43004 1 0.6712 0.6809 0.824 0.176
#> 43007 2 0.7219 0.7970 0.200 0.800
#> 43012 2 0.6531 0.8012 0.168 0.832
#> 48001 1 0.0000 0.8863 1.000 0.000
#> 49006 2 0.9909 0.4742 0.444 0.556
#> 57001 2 0.7219 0.7970 0.200 0.800
#> 62001 2 0.9460 0.6343 0.364 0.636
#> 62002 2 0.8661 0.7254 0.288 0.712
#> 62003 1 0.0000 0.8863 1.000 0.000
#> 63001 2 0.7219 0.7970 0.200 0.800
#> 64001 1 0.9710 0.0748 0.600 0.400
#> 64002 1 0.0000 0.8863 1.000 0.000
#> 65005 2 0.9710 0.5697 0.400 0.600
#> 68001 1 0.0000 0.8863 1.000 0.000
#> 68003 2 0.9000 0.6947 0.316 0.684
#> 84004 2 0.7219 0.7970 0.200 0.800
#> LAL5 2 0.6048 0.8018 0.148 0.852
#> 01003 2 0.0000 0.7892 0.000 1.000
#> 01007 2 0.0000 0.7892 0.000 1.000
#> 02020 2 0.0000 0.7892 0.000 1.000
#> 04018 2 0.0000 0.7892 0.000 1.000
#> 09002 2 0.0000 0.7892 0.000 1.000
#> 10005 2 0.0000 0.7892 0.000 1.000
#> 11002 2 0.0000 0.7892 0.000 1.000
#> 12008 2 0.0000 0.7892 0.000 1.000
#> 15006 1 0.7219 0.6601 0.800 0.200
#> 16002 2 0.0000 0.7892 0.000 1.000
#> 16007 2 0.0000 0.7892 0.000 1.000
#> 17003 2 0.8081 0.4756 0.248 0.752
#> 18001 2 0.0000 0.7892 0.000 1.000
#> 19002 2 0.0000 0.7892 0.000 1.000
#> 19008 2 0.0000 0.7892 0.000 1.000
#> 19014 2 0.0000 0.7892 0.000 1.000
#> 19017 2 0.0000 0.7892 0.000 1.000
#> 20005 2 0.0000 0.7892 0.000 1.000
#> 24006 2 0.0000 0.7892 0.000 1.000
#> 26009 1 0.7219 0.6601 0.800 0.200
#> 28008 2 0.0000 0.7892 0.000 1.000
#> 28009 2 0.0000 0.7892 0.000 1.000
#> 31015 2 0.0000 0.7892 0.000 1.000
#> 37001 2 0.0000 0.7892 0.000 1.000
#> 43006 2 0.0000 0.7892 0.000 1.000
#> 43015 2 0.0000 0.7892 0.000 1.000
#> 44001 2 0.0000 0.7892 0.000 1.000
#> 49004 2 0.0000 0.7892 0.000 1.000
#> 56007 2 0.0000 0.7892 0.000 1.000
#> 64005 2 0.0000 0.7892 0.000 1.000
#> 65003 2 0.0000 0.7892 0.000 1.000
#> 83001 2 0.0000 0.7892 0.000 1.000
#> LAL4 2 0.0000 0.7892 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.934 0.000 0.000 1.000
#> 01010 1 0.0000 0.956 1.000 0.000 0.000
#> 03002 3 0.0000 0.934 0.000 0.000 1.000
#> 04006 1 0.0000 0.956 1.000 0.000 0.000
#> 04007 3 0.0000 0.934 0.000 0.000 1.000
#> 04008 1 0.4654 0.730 0.792 0.000 0.208
#> 04010 1 0.0000 0.956 1.000 0.000 0.000
#> 04016 3 0.0424 0.930 0.008 0.000 0.992
#> 06002 3 0.3482 0.800 0.128 0.000 0.872
#> 08001 3 0.0000 0.934 0.000 0.000 1.000
#> 08011 3 0.0237 0.932 0.004 0.000 0.996
#> 08012 3 0.0000 0.934 0.000 0.000 1.000
#> 08018 3 0.0000 0.934 0.000 0.000 1.000
#> 08024 3 0.0592 0.927 0.012 0.000 0.988
#> 09008 1 0.0424 0.951 0.992 0.000 0.008
#> 09017 3 0.0237 0.931 0.000 0.004 0.996
#> 11005 3 0.0000 0.934 0.000 0.000 1.000
#> 12006 3 0.0000 0.934 0.000 0.000 1.000
#> 12007 3 0.0000 0.934 0.000 0.000 1.000
#> 12012 3 0.0000 0.934 0.000 0.000 1.000
#> 12019 3 0.0000 0.934 0.000 0.000 1.000
#> 12026 3 0.3116 0.827 0.108 0.000 0.892
#> 14016 3 0.0000 0.934 0.000 0.000 1.000
#> 15001 3 0.1529 0.903 0.040 0.000 0.960
#> 15004 2 0.4605 0.784 0.000 0.796 0.204
#> 15005 1 0.4504 0.731 0.804 0.000 0.196
#> 16004 1 0.0000 0.956 1.000 0.000 0.000
#> 16009 1 0.0000 0.956 1.000 0.000 0.000
#> 19005 1 0.0000 0.956 1.000 0.000 0.000
#> 20002 1 0.0000 0.956 1.000 0.000 0.000
#> 22009 3 0.0000 0.934 0.000 0.000 1.000
#> 22010 2 0.0592 0.848 0.000 0.988 0.012
#> 22011 3 0.0000 0.934 0.000 0.000 1.000
#> 22013 3 0.0000 0.934 0.000 0.000 1.000
#> 24001 3 0.0000 0.934 0.000 0.000 1.000
#> 24005 3 0.6680 -0.218 0.008 0.484 0.508
#> 24008 3 0.0892 0.921 0.020 0.000 0.980
#> 24010 3 0.0000 0.934 0.000 0.000 1.000
#> 24011 3 0.0000 0.934 0.000 0.000 1.000
#> 24017 1 0.0000 0.956 1.000 0.000 0.000
#> 24018 1 0.2711 0.875 0.912 0.000 0.088
#> 24019 1 0.0000 0.956 1.000 0.000 0.000
#> 24022 2 0.5785 0.638 0.000 0.668 0.332
#> 25003 3 0.0000 0.934 0.000 0.000 1.000
#> 25006 1 0.0000 0.956 1.000 0.000 0.000
#> 26001 3 0.1860 0.891 0.052 0.000 0.948
#> 26003 3 0.6045 0.204 0.000 0.380 0.620
#> 26005 3 0.0424 0.930 0.008 0.000 0.992
#> 26008 1 0.0000 0.956 1.000 0.000 0.000
#> 27003 2 0.4887 0.766 0.000 0.772 0.228
#> 27004 2 0.6180 0.478 0.000 0.584 0.416
#> 28001 3 0.5098 0.572 0.000 0.248 0.752
#> 28003 2 0.4346 0.795 0.000 0.816 0.184
#> 28005 2 0.6307 0.278 0.000 0.512 0.488
#> 28006 2 0.5650 0.668 0.000 0.688 0.312
#> 28007 2 0.4555 0.787 0.000 0.800 0.200
#> 28019 1 0.0237 0.954 0.996 0.000 0.004
#> 28021 1 0.0237 0.954 0.996 0.000 0.004
#> 28023 2 0.5610 0.780 0.028 0.776 0.196
#> 28024 2 0.4654 0.782 0.000 0.792 0.208
#> 28028 3 0.5733 0.384 0.000 0.324 0.676
#> 28031 2 0.8522 0.642 0.184 0.612 0.204
#> 28032 2 0.4931 0.762 0.000 0.768 0.232
#> 28035 1 0.0424 0.952 0.992 0.000 0.008
#> 28036 2 0.5465 0.700 0.000 0.712 0.288
#> 28037 1 0.0000 0.956 1.000 0.000 0.000
#> 28042 2 0.4702 0.779 0.000 0.788 0.212
#> 28043 2 0.6274 0.376 0.000 0.544 0.456
#> 28044 2 0.5318 0.780 0.016 0.780 0.204
#> 28047 2 0.4555 0.787 0.000 0.800 0.200
#> 30001 1 0.0000 0.956 1.000 0.000 0.000
#> 31007 2 0.4861 0.790 0.008 0.800 0.192
#> 31011 2 0.6126 0.513 0.000 0.600 0.400
#> 33005 1 0.0000 0.956 1.000 0.000 0.000
#> 36001 1 0.0000 0.956 1.000 0.000 0.000
#> 36002 3 0.0000 0.934 0.000 0.000 1.000
#> 37013 3 0.0000 0.934 0.000 0.000 1.000
#> 43001 3 0.0237 0.932 0.004 0.000 0.996
#> 43004 1 0.7078 0.630 0.712 0.088 0.200
#> 43007 3 0.0000 0.934 0.000 0.000 1.000
#> 43012 2 0.4555 0.787 0.000 0.800 0.200
#> 48001 1 0.0000 0.956 1.000 0.000 0.000
#> 49006 3 0.0000 0.934 0.000 0.000 1.000
#> 57001 2 0.4733 0.788 0.004 0.800 0.196
#> 62001 2 0.8249 0.670 0.164 0.636 0.200
#> 62002 2 0.6062 0.546 0.000 0.616 0.384
#> 62003 3 0.5216 0.625 0.260 0.000 0.740
#> 63001 3 0.0237 0.932 0.004 0.000 0.996
#> 64001 3 0.0237 0.932 0.004 0.000 0.996
#> 64002 1 0.0000 0.956 1.000 0.000 0.000
#> 65005 3 0.0000 0.934 0.000 0.000 1.000
#> 68001 1 0.0000 0.956 1.000 0.000 0.000
#> 68003 3 0.0000 0.934 0.000 0.000 1.000
#> 84004 3 0.0000 0.934 0.000 0.000 1.000
#> LAL5 2 0.5138 0.742 0.000 0.748 0.252
#> 01003 2 0.0000 0.849 0.000 1.000 0.000
#> 01007 2 0.0000 0.849 0.000 1.000 0.000
#> 02020 2 0.0000 0.849 0.000 1.000 0.000
#> 04018 2 0.0000 0.849 0.000 1.000 0.000
#> 09002 2 0.0747 0.842 0.000 0.984 0.016
#> 10005 3 0.5733 0.511 0.000 0.324 0.676
#> 11002 2 0.0000 0.849 0.000 1.000 0.000
#> 12008 2 0.5926 0.382 0.000 0.644 0.356
#> 15006 1 0.3941 0.829 0.844 0.156 0.000
#> 16002 2 0.0000 0.849 0.000 1.000 0.000
#> 16007 2 0.0000 0.849 0.000 1.000 0.000
#> 17003 2 0.1643 0.817 0.044 0.956 0.000
#> 18001 2 0.0000 0.849 0.000 1.000 0.000
#> 19002 2 0.0000 0.849 0.000 1.000 0.000
#> 19008 2 0.0000 0.849 0.000 1.000 0.000
#> 19014 2 0.0000 0.849 0.000 1.000 0.000
#> 19017 2 0.0000 0.849 0.000 1.000 0.000
#> 20005 2 0.0000 0.849 0.000 1.000 0.000
#> 24006 2 0.0000 0.849 0.000 1.000 0.000
#> 26009 1 0.3941 0.830 0.844 0.156 0.000
#> 28008 2 0.0000 0.849 0.000 1.000 0.000
#> 28009 2 0.0000 0.849 0.000 1.000 0.000
#> 31015 2 0.0000 0.849 0.000 1.000 0.000
#> 37001 2 0.0000 0.849 0.000 1.000 0.000
#> 43006 2 0.0000 0.849 0.000 1.000 0.000
#> 43015 2 0.0000 0.849 0.000 1.000 0.000
#> 44001 2 0.0000 0.849 0.000 1.000 0.000
#> 49004 2 0.0000 0.849 0.000 1.000 0.000
#> 56007 2 0.0000 0.849 0.000 1.000 0.000
#> 64005 2 0.0000 0.849 0.000 1.000 0.000
#> 65003 2 0.0000 0.849 0.000 1.000 0.000
#> 83001 2 0.0000 0.849 0.000 1.000 0.000
#> LAL4 2 0.0000 0.849 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 04007 3 0.0188 0.975 0.000 0.000 0.996 0.004
#> 04008 1 0.4898 0.275 0.584 0.000 0.416 0.000
#> 04010 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 08001 4 0.4981 0.144 0.000 0.000 0.464 0.536
#> 08011 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 09008 1 0.3266 0.797 0.832 0.000 0.000 0.168
#> 09017 4 0.1211 0.913 0.000 0.000 0.040 0.960
#> 11005 3 0.3123 0.817 0.000 0.000 0.844 0.156
#> 12006 3 0.2814 0.846 0.000 0.000 0.868 0.132
#> 12007 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 15005 1 0.4543 0.547 0.676 0.000 0.000 0.324
#> 16004 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 20002 1 0.1302 0.906 0.956 0.000 0.044 0.000
#> 22009 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 22010 2 0.3123 0.815 0.000 0.844 0.000 0.156
#> 22011 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 24005 4 0.1474 0.902 0.000 0.000 0.052 0.948
#> 24008 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 24010 3 0.0592 0.965 0.000 0.000 0.984 0.016
#> 24011 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 24018 1 0.3400 0.782 0.820 0.000 0.000 0.180
#> 24019 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28001 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28003 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28019 1 0.3074 0.815 0.848 0.000 0.000 0.152
#> 28021 4 0.4972 0.105 0.456 0.000 0.000 0.544
#> 28023 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28028 4 0.3400 0.767 0.000 0.000 0.180 0.820
#> 28031 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28032 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28035 4 0.3356 0.754 0.176 0.000 0.000 0.824
#> 28036 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28037 1 0.0469 0.928 0.988 0.000 0.000 0.012
#> 28042 4 0.0921 0.922 0.000 0.028 0.000 0.972
#> 28043 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 31007 4 0.1191 0.923 0.004 0.024 0.004 0.968
#> 31011 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 36002 4 0.2760 0.826 0.000 0.000 0.128 0.872
#> 37013 3 0.0188 0.975 0.000 0.000 0.996 0.004
#> 43001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 43007 3 0.0188 0.975 0.000 0.000 0.996 0.004
#> 43012 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 48001 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 57001 4 0.3472 0.834 0.008 0.100 0.024 0.868
#> 62001 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 62003 3 0.4673 0.558 0.292 0.000 0.700 0.008
#> 63001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.977 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.934 1.000 0.000 0.000 0.000
#> 68003 3 0.0817 0.958 0.000 0.000 0.976 0.024
#> 84004 3 0.2704 0.855 0.000 0.000 0.876 0.124
#> LAL5 4 0.0000 0.943 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 10005 2 0.2868 0.833 0.000 0.864 0.136 0.000
#> 11002 2 0.0188 0.986 0.000 0.996 0.000 0.004
#> 12008 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 15006 1 0.2647 0.842 0.880 0.120 0.000 0.000
#> 16002 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 18001 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 19014 2 0.0188 0.986 0.000 0.996 0.000 0.004
#> 19017 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 20005 2 0.0188 0.986 0.000 0.996 0.000 0.004
#> 24006 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 26009 1 0.2345 0.862 0.900 0.100 0.000 0.000
#> 28008 2 0.0336 0.983 0.000 0.992 0.000 0.008
#> 28009 2 0.0188 0.986 0.000 0.996 0.000 0.004
#> 31015 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> 65003 2 0.0336 0.983 0.000 0.992 0.000 0.008
#> 83001 2 0.0000 0.988 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.988 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0609 0.876 0.000 0.000 0.980 0.000 0.020
#> 01010 1 0.0162 0.912 0.996 0.000 0.000 0.000 0.004
#> 03002 5 0.3796 0.523 0.000 0.000 0.300 0.000 0.700
#> 04006 1 0.0324 0.910 0.992 0.000 0.004 0.000 0.004
#> 04007 3 0.1043 0.873 0.000 0.000 0.960 0.000 0.040
#> 04008 3 0.4118 0.475 0.336 0.000 0.660 0.000 0.004
#> 04010 1 0.0324 0.911 0.992 0.000 0.000 0.004 0.004
#> 04016 3 0.0566 0.875 0.000 0.000 0.984 0.004 0.012
#> 06002 3 0.0162 0.877 0.000 0.000 0.996 0.000 0.004
#> 08001 5 0.5659 0.528 0.000 0.000 0.116 0.280 0.604
#> 08011 3 0.0162 0.877 0.000 0.000 0.996 0.000 0.004
#> 08012 3 0.1872 0.841 0.000 0.000 0.928 0.052 0.020
#> 08018 3 0.2921 0.773 0.000 0.000 0.856 0.124 0.020
#> 08024 3 0.0290 0.877 0.000 0.000 0.992 0.000 0.008
#> 09008 1 0.3970 0.678 0.744 0.000 0.000 0.020 0.236
#> 09017 5 0.1310 0.671 0.000 0.000 0.024 0.020 0.956
#> 11005 5 0.3929 0.649 0.000 0.000 0.208 0.028 0.764
#> 12006 5 0.2286 0.690 0.000 0.000 0.108 0.004 0.888
#> 12007 3 0.2516 0.800 0.000 0.000 0.860 0.000 0.140
#> 12012 3 0.3074 0.740 0.000 0.000 0.804 0.000 0.196
#> 12019 3 0.0798 0.873 0.000 0.000 0.976 0.008 0.016
#> 12026 3 0.4906 0.415 0.004 0.024 0.592 0.000 0.380
#> 14016 5 0.3662 0.531 0.004 0.000 0.252 0.000 0.744
#> 15001 3 0.0162 0.876 0.000 0.000 0.996 0.004 0.000
#> 15004 4 0.0865 0.841 0.000 0.000 0.004 0.972 0.024
#> 15005 5 0.4903 0.197 0.400 0.000 0.008 0.016 0.576
#> 16004 1 0.2976 0.824 0.856 0.004 0.004 0.008 0.128
#> 16009 1 0.0162 0.911 0.996 0.000 0.004 0.000 0.000
#> 19005 1 0.2482 0.867 0.904 0.000 0.064 0.016 0.016
#> 20002 1 0.2236 0.858 0.908 0.000 0.068 0.000 0.024
#> 22009 3 0.4450 0.131 0.004 0.000 0.508 0.000 0.488
#> 22010 2 0.3999 0.562 0.000 0.656 0.000 0.000 0.344
#> 22011 3 0.0404 0.877 0.000 0.000 0.988 0.000 0.012
#> 22013 3 0.3752 0.603 0.000 0.000 0.708 0.000 0.292
#> 24001 3 0.0865 0.869 0.000 0.000 0.972 0.024 0.004
#> 24005 4 0.2685 0.761 0.000 0.000 0.092 0.880 0.028
#> 24008 3 0.0324 0.877 0.000 0.000 0.992 0.004 0.004
#> 24010 5 0.4030 0.426 0.000 0.000 0.352 0.000 0.648
#> 24011 3 0.0703 0.876 0.000 0.000 0.976 0.000 0.024
#> 24017 1 0.0000 0.912 1.000 0.000 0.000 0.000 0.000
#> 24018 5 0.3023 0.628 0.096 0.008 0.000 0.028 0.868
#> 24019 1 0.0000 0.912 1.000 0.000 0.000 0.000 0.000
#> 24022 5 0.4210 0.246 0.000 0.000 0.000 0.412 0.588
#> 25003 3 0.3305 0.705 0.000 0.000 0.776 0.000 0.224
#> 25006 1 0.0162 0.911 0.996 0.000 0.000 0.000 0.004
#> 26001 3 0.0703 0.875 0.000 0.000 0.976 0.000 0.024
#> 26003 5 0.4268 0.154 0.000 0.000 0.000 0.444 0.556
#> 26005 3 0.0000 0.877 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0324 0.910 0.992 0.000 0.004 0.000 0.004
#> 27003 5 0.2329 0.631 0.000 0.000 0.000 0.124 0.876
#> 27004 4 0.2966 0.749 0.000 0.000 0.000 0.816 0.184
#> 28001 5 0.2352 0.645 0.000 0.008 0.004 0.092 0.896
#> 28003 4 0.0703 0.845 0.000 0.000 0.000 0.976 0.024
#> 28005 4 0.3274 0.712 0.000 0.000 0.000 0.780 0.220
#> 28006 4 0.4434 0.191 0.000 0.000 0.004 0.536 0.460
#> 28007 4 0.1043 0.841 0.000 0.000 0.000 0.960 0.040
#> 28019 1 0.2270 0.867 0.904 0.000 0.000 0.020 0.076
#> 28021 1 0.3590 0.800 0.828 0.000 0.000 0.092 0.080
#> 28023 4 0.0510 0.845 0.000 0.000 0.000 0.984 0.016
#> 28024 4 0.0404 0.844 0.000 0.000 0.000 0.988 0.012
#> 28028 4 0.3427 0.729 0.000 0.012 0.112 0.844 0.032
#> 28031 4 0.0794 0.844 0.000 0.000 0.000 0.972 0.028
#> 28032 4 0.1059 0.837 0.000 0.004 0.008 0.968 0.020
#> 28035 1 0.4890 0.576 0.680 0.000 0.000 0.256 0.064
#> 28036 4 0.3816 0.581 0.000 0.000 0.000 0.696 0.304
#> 28037 1 0.2124 0.860 0.900 0.000 0.000 0.004 0.096
#> 28042 4 0.0771 0.832 0.000 0.020 0.000 0.976 0.004
#> 28043 4 0.2605 0.776 0.000 0.000 0.000 0.852 0.148
#> 28044 4 0.3913 0.552 0.000 0.000 0.000 0.676 0.324
#> 28047 4 0.0703 0.845 0.000 0.000 0.000 0.976 0.024
#> 30001 1 0.0162 0.912 0.996 0.000 0.000 0.000 0.004
#> 31007 4 0.3333 0.734 0.000 0.008 0.008 0.820 0.164
#> 31011 5 0.4256 0.161 0.000 0.000 0.000 0.436 0.564
#> 33005 1 0.0162 0.911 0.996 0.000 0.000 0.004 0.000
#> 36001 1 0.0290 0.911 0.992 0.000 0.000 0.008 0.000
#> 36002 5 0.4473 0.443 0.000 0.000 0.020 0.324 0.656
#> 37013 5 0.2966 0.657 0.000 0.000 0.184 0.000 0.816
#> 43001 5 0.3010 0.645 0.004 0.000 0.172 0.000 0.824
#> 43004 5 0.4425 0.102 0.004 0.000 0.000 0.452 0.544
#> 43007 3 0.1568 0.854 0.000 0.000 0.944 0.036 0.020
#> 43012 4 0.0404 0.844 0.000 0.000 0.000 0.988 0.012
#> 48001 1 0.1282 0.899 0.952 0.000 0.000 0.004 0.044
#> 49006 3 0.2471 0.798 0.000 0.000 0.864 0.000 0.136
#> 57001 4 0.2284 0.794 0.004 0.044 0.020 0.920 0.012
#> 62001 4 0.4084 0.521 0.004 0.000 0.000 0.668 0.328
#> 62002 5 0.3143 0.577 0.000 0.000 0.000 0.204 0.796
#> 62003 5 0.1956 0.682 0.008 0.000 0.076 0.000 0.916
#> 63001 3 0.2012 0.836 0.000 0.000 0.920 0.060 0.020
#> 64001 3 0.0794 0.873 0.000 0.000 0.972 0.000 0.028
#> 64002 1 0.0000 0.912 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.1732 0.843 0.000 0.000 0.920 0.000 0.080
#> 68001 1 0.0000 0.912 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.3707 0.563 0.000 0.000 0.284 0.000 0.716
#> 84004 5 0.5548 0.245 0.000 0.000 0.440 0.068 0.492
#> LAL5 4 0.0451 0.843 0.000 0.000 0.004 0.988 0.008
#> 01003 2 0.0290 0.945 0.000 0.992 0.000 0.000 0.008
#> 01007 2 0.0451 0.945 0.000 0.988 0.000 0.008 0.004
#> 02020 2 0.1270 0.931 0.000 0.948 0.000 0.000 0.052
#> 04018 2 0.1357 0.933 0.000 0.948 0.000 0.048 0.004
#> 09002 2 0.1173 0.941 0.000 0.964 0.004 0.020 0.012
#> 10005 2 0.4492 0.574 0.000 0.680 0.296 0.004 0.020
#> 11002 2 0.0992 0.945 0.000 0.968 0.000 0.008 0.024
#> 12008 2 0.0794 0.942 0.000 0.972 0.000 0.000 0.028
#> 15006 1 0.3231 0.736 0.800 0.196 0.000 0.004 0.000
#> 16002 2 0.0671 0.944 0.000 0.980 0.000 0.016 0.004
#> 16007 2 0.1894 0.919 0.000 0.920 0.000 0.072 0.008
#> 17003 2 0.1965 0.900 0.000 0.904 0.000 0.000 0.096
#> 18001 2 0.1894 0.918 0.000 0.920 0.000 0.072 0.008
#> 19002 2 0.0000 0.946 0.000 1.000 0.000 0.000 0.000
#> 19008 2 0.0771 0.944 0.000 0.976 0.000 0.020 0.004
#> 19014 2 0.0963 0.939 0.000 0.964 0.000 0.000 0.036
#> 19017 2 0.0404 0.945 0.000 0.988 0.000 0.000 0.012
#> 20005 2 0.2798 0.859 0.000 0.852 0.000 0.140 0.008
#> 24006 2 0.0162 0.946 0.000 0.996 0.000 0.000 0.004
#> 26009 1 0.3796 0.582 0.700 0.300 0.000 0.000 0.000
#> 28008 2 0.2338 0.888 0.000 0.884 0.000 0.112 0.004
#> 28009 2 0.0963 0.939 0.000 0.964 0.000 0.036 0.000
#> 31015 2 0.0703 0.943 0.000 0.976 0.000 0.000 0.024
#> 37001 2 0.0000 0.946 0.000 1.000 0.000 0.000 0.000
#> 43006 2 0.2464 0.898 0.000 0.888 0.000 0.096 0.016
#> 43015 2 0.0290 0.945 0.000 0.992 0.000 0.000 0.008
#> 44001 2 0.0162 0.946 0.000 0.996 0.000 0.000 0.004
#> 49004 2 0.1862 0.928 0.000 0.932 0.004 0.048 0.016
#> 56007 2 0.0771 0.944 0.000 0.976 0.000 0.020 0.004
#> 64005 2 0.0703 0.943 0.000 0.976 0.000 0.000 0.024
#> 65003 2 0.0290 0.945 0.000 0.992 0.000 0.000 0.008
#> 83001 2 0.0566 0.946 0.000 0.984 0.000 0.004 0.012
#> LAL4 2 0.0963 0.939 0.000 0.964 0.000 0.000 0.036
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0520 0.8139 0.000 0.000 0.984 0.000 0.008 0.008
#> 01010 1 0.0405 0.8570 0.988 0.000 0.000 0.000 0.004 0.008
#> 03002 5 0.3017 0.6729 0.000 0.000 0.164 0.000 0.816 0.020
#> 04006 1 0.2378 0.7411 0.848 0.000 0.000 0.000 0.000 0.152
#> 04007 3 0.1176 0.8146 0.000 0.000 0.956 0.000 0.024 0.020
#> 04008 3 0.4403 0.2414 0.408 0.000 0.564 0.000 0.000 0.028
#> 04010 1 0.0520 0.8563 0.984 0.000 0.000 0.008 0.000 0.008
#> 04016 6 0.4514 0.2814 0.008 0.000 0.336 0.024 0.004 0.628
#> 06002 3 0.0777 0.8128 0.000 0.000 0.972 0.000 0.004 0.024
#> 08001 5 0.3956 0.6912 0.000 0.000 0.092 0.104 0.788 0.016
#> 08011 3 0.0146 0.8129 0.000 0.000 0.996 0.000 0.004 0.000
#> 08012 3 0.0820 0.8105 0.000 0.000 0.972 0.012 0.000 0.016
#> 08018 3 0.2420 0.7562 0.000 0.000 0.884 0.076 0.000 0.040
#> 08024 3 0.2378 0.7554 0.000 0.000 0.848 0.000 0.000 0.152
#> 09008 1 0.5223 0.5774 0.684 0.000 0.000 0.092 0.172 0.052
#> 09017 5 0.1194 0.6996 0.000 0.000 0.004 0.008 0.956 0.032
#> 11005 5 0.2975 0.7009 0.000 0.000 0.132 0.012 0.840 0.016
#> 12006 5 0.2513 0.7109 0.000 0.000 0.060 0.008 0.888 0.044
#> 12007 3 0.2772 0.7418 0.000 0.000 0.816 0.000 0.180 0.004
#> 12012 3 0.3110 0.7281 0.000 0.000 0.792 0.000 0.196 0.012
#> 12019 3 0.0777 0.8149 0.000 0.000 0.972 0.000 0.004 0.024
#> 12026 3 0.5564 0.5009 0.008 0.016 0.588 0.000 0.296 0.092
#> 14016 5 0.4382 0.6083 0.000 0.000 0.156 0.000 0.720 0.124
#> 15001 3 0.0547 0.8108 0.000 0.000 0.980 0.000 0.000 0.020
#> 15004 6 0.3782 0.2168 0.000 0.000 0.000 0.412 0.000 0.588
#> 15005 5 0.5716 0.3871 0.308 0.000 0.004 0.064 0.576 0.048
#> 16004 6 0.4509 0.5491 0.260 0.000 0.004 0.020 0.028 0.688
#> 16009 1 0.0363 0.8561 0.988 0.000 0.000 0.000 0.000 0.012
#> 19005 6 0.4605 0.5595 0.260 0.000 0.044 0.012 0.004 0.680
#> 20002 1 0.1873 0.8168 0.924 0.000 0.048 0.000 0.020 0.008
#> 22009 3 0.4934 0.1678 0.000 0.004 0.488 0.000 0.456 0.052
#> 22010 2 0.5666 0.4756 0.000 0.568 0.000 0.016 0.280 0.136
#> 22011 3 0.3110 0.7172 0.000 0.000 0.792 0.000 0.012 0.196
#> 22013 3 0.3898 0.5323 0.000 0.000 0.652 0.000 0.336 0.012
#> 24001 3 0.3354 0.6508 0.000 0.000 0.752 0.004 0.004 0.240
#> 24005 6 0.4738 0.4088 0.000 0.000 0.064 0.336 0.000 0.600
#> 24008 3 0.2762 0.7270 0.000 0.000 0.804 0.000 0.000 0.196
#> 24010 5 0.5904 0.4087 0.000 0.000 0.192 0.004 0.476 0.328
#> 24011 3 0.1168 0.8159 0.000 0.000 0.956 0.000 0.016 0.028
#> 24017 1 0.0146 0.8570 0.996 0.000 0.000 0.000 0.000 0.004
#> 24018 5 0.5819 0.0665 0.148 0.000 0.000 0.008 0.476 0.368
#> 24019 1 0.0260 0.8575 0.992 0.000 0.000 0.000 0.000 0.008
#> 24022 5 0.3993 0.4547 0.000 0.000 0.000 0.300 0.676 0.024
#> 25003 3 0.3615 0.6103 0.000 0.000 0.700 0.000 0.292 0.008
#> 25006 1 0.0777 0.8511 0.972 0.000 0.000 0.000 0.004 0.024
#> 26001 3 0.1564 0.8125 0.000 0.000 0.936 0.000 0.040 0.024
#> 26003 5 0.3778 0.4805 0.000 0.000 0.000 0.288 0.696 0.016
#> 26005 3 0.0260 0.8133 0.000 0.000 0.992 0.000 0.008 0.000
#> 26008 1 0.1910 0.7915 0.892 0.000 0.000 0.000 0.000 0.108
#> 27003 5 0.2826 0.6752 0.000 0.000 0.000 0.092 0.856 0.052
#> 27004 4 0.3101 0.7376 0.000 0.000 0.000 0.820 0.148 0.032
#> 28001 5 0.4173 0.6007 0.000 0.000 0.000 0.060 0.712 0.228
#> 28003 4 0.2561 0.7392 0.004 0.000 0.008 0.880 0.016 0.092
#> 28005 4 0.3422 0.7259 0.000 0.000 0.000 0.788 0.176 0.036
#> 28006 4 0.6159 0.2133 0.000 0.004 0.000 0.396 0.252 0.348
#> 28007 4 0.2176 0.7540 0.000 0.000 0.000 0.896 0.024 0.080
#> 28019 1 0.3044 0.7928 0.860 0.000 0.000 0.076 0.036 0.028
#> 28021 1 0.3928 0.7262 0.792 0.000 0.000 0.128 0.048 0.032
#> 28023 4 0.2053 0.7565 0.004 0.000 0.004 0.916 0.024 0.052
#> 28024 4 0.2002 0.7470 0.000 0.000 0.004 0.908 0.012 0.076
#> 28028 4 0.4772 0.5259 0.000 0.000 0.064 0.672 0.016 0.248
#> 28031 4 0.2056 0.7517 0.000 0.000 0.004 0.904 0.012 0.080
#> 28032 4 0.3445 0.5733 0.000 0.000 0.000 0.732 0.008 0.260
#> 28035 1 0.4685 0.5574 0.680 0.000 0.000 0.252 0.032 0.036
#> 28036 4 0.4371 0.4983 0.000 0.000 0.000 0.620 0.344 0.036
#> 28037 1 0.2453 0.8162 0.896 0.000 0.000 0.044 0.044 0.016
#> 28042 4 0.2222 0.7318 0.000 0.008 0.012 0.896 0.000 0.084
#> 28043 4 0.3551 0.7192 0.000 0.000 0.000 0.772 0.192 0.036
#> 28044 4 0.4527 0.5058 0.004 0.000 0.000 0.624 0.332 0.040
#> 28047 4 0.1967 0.7509 0.000 0.000 0.000 0.904 0.012 0.084
#> 30001 1 0.0622 0.8557 0.980 0.000 0.000 0.008 0.000 0.012
#> 31007 6 0.3605 0.4984 0.000 0.008 0.004 0.224 0.008 0.756
#> 31011 5 0.5185 0.0886 0.000 0.000 0.000 0.396 0.512 0.092
#> 33005 1 0.0146 0.8570 0.996 0.000 0.000 0.000 0.000 0.004
#> 36001 1 0.2672 0.8053 0.868 0.000 0.000 0.052 0.000 0.080
#> 36002 5 0.4082 0.6265 0.000 0.000 0.028 0.192 0.752 0.028
#> 37013 5 0.2307 0.7062 0.004 0.000 0.068 0.000 0.896 0.032
#> 43001 5 0.5016 0.4911 0.000 0.000 0.092 0.000 0.584 0.324
#> 43004 5 0.4124 0.3764 0.000 0.000 0.000 0.332 0.644 0.024
#> 43007 3 0.0653 0.8099 0.000 0.000 0.980 0.004 0.004 0.012
#> 43012 4 0.1391 0.7595 0.000 0.000 0.000 0.944 0.016 0.040
#> 48001 6 0.5033 0.2416 0.424 0.000 0.000 0.036 0.020 0.520
#> 49006 3 0.2778 0.7510 0.000 0.000 0.824 0.000 0.168 0.008
#> 57001 4 0.3808 0.6993 0.012 0.008 0.048 0.816 0.008 0.108
#> 62001 4 0.4851 0.5652 0.000 0.000 0.000 0.632 0.272 0.096
#> 62002 5 0.1950 0.6947 0.000 0.000 0.000 0.064 0.912 0.024
#> 62003 5 0.2756 0.6918 0.012 0.004 0.044 0.000 0.880 0.060
#> 63001 3 0.4835 -0.0333 0.000 0.004 0.476 0.044 0.000 0.476
#> 64001 3 0.0935 0.8152 0.000 0.000 0.964 0.000 0.032 0.004
#> 64002 1 0.0146 0.8577 0.996 0.000 0.000 0.000 0.000 0.004
#> 65005 3 0.1858 0.7981 0.000 0.000 0.904 0.000 0.092 0.004
#> 68001 1 0.0363 0.8561 0.988 0.000 0.000 0.000 0.000 0.012
#> 68003 5 0.3073 0.6907 0.000 0.000 0.152 0.008 0.824 0.016
#> 84004 5 0.4847 0.4089 0.000 0.000 0.352 0.044 0.592 0.012
#> LAL5 4 0.3387 0.7421 0.004 0.004 0.020 0.836 0.024 0.112
#> 01003 2 0.0260 0.9059 0.000 0.992 0.000 0.000 0.000 0.008
#> 01007 2 0.0993 0.9051 0.000 0.964 0.000 0.012 0.000 0.024
#> 02020 2 0.2629 0.8655 0.000 0.872 0.000 0.000 0.060 0.068
#> 04018 2 0.1649 0.9010 0.000 0.932 0.000 0.036 0.000 0.032
#> 09002 2 0.1180 0.9054 0.000 0.960 0.012 0.012 0.000 0.016
#> 10005 2 0.4905 0.3414 0.000 0.552 0.388 0.004 0.000 0.056
#> 11002 2 0.4372 0.6839 0.000 0.692 0.000 0.020 0.028 0.260
#> 12008 2 0.1401 0.9025 0.000 0.948 0.004 0.000 0.020 0.028
#> 15006 1 0.3641 0.5973 0.748 0.224 0.000 0.000 0.000 0.028
#> 16002 2 0.0914 0.9052 0.000 0.968 0.000 0.016 0.000 0.016
#> 16007 2 0.2197 0.8867 0.000 0.900 0.000 0.056 0.000 0.044
#> 17003 2 0.4380 0.6995 0.000 0.700 0.000 0.000 0.080 0.220
#> 18001 2 0.1890 0.8974 0.000 0.916 0.000 0.060 0.000 0.024
#> 19002 2 0.0777 0.9069 0.000 0.972 0.000 0.004 0.000 0.024
#> 19008 2 0.0914 0.9059 0.000 0.968 0.000 0.016 0.000 0.016
#> 19014 2 0.2560 0.8678 0.000 0.872 0.000 0.000 0.036 0.092
#> 19017 2 0.0972 0.9028 0.000 0.964 0.000 0.000 0.008 0.028
#> 20005 2 0.3163 0.8253 0.000 0.820 0.000 0.140 0.000 0.040
#> 24006 2 0.0146 0.9053 0.000 0.996 0.000 0.000 0.000 0.004
#> 26009 1 0.3175 0.5469 0.744 0.256 0.000 0.000 0.000 0.000
#> 28008 2 0.2940 0.8477 0.000 0.848 0.000 0.112 0.004 0.036
#> 28009 2 0.1723 0.9003 0.000 0.928 0.000 0.036 0.000 0.036
#> 31015 2 0.2487 0.8690 0.000 0.876 0.000 0.000 0.032 0.092
#> 37001 2 0.0935 0.9071 0.000 0.964 0.000 0.004 0.000 0.032
#> 43006 2 0.2684 0.8722 0.000 0.880 0.024 0.072 0.000 0.024
#> 43015 2 0.1124 0.9029 0.000 0.956 0.000 0.000 0.008 0.036
#> 44001 2 0.0603 0.9057 0.000 0.980 0.000 0.000 0.004 0.016
#> 49004 2 0.1857 0.8980 0.000 0.928 0.012 0.032 0.000 0.028
#> 56007 2 0.1313 0.9046 0.000 0.952 0.000 0.016 0.004 0.028
#> 64005 2 0.1176 0.9040 0.000 0.956 0.000 0.000 0.024 0.020
#> 65003 2 0.0508 0.9073 0.000 0.984 0.000 0.004 0.000 0.012
#> 83001 2 0.1116 0.9056 0.000 0.960 0.000 0.004 0.008 0.028
#> LAL4 2 0.2474 0.8758 0.000 0.884 0.000 0.004 0.032 0.080
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> SD:NMF 114 0.718 0.3924 1.13e-02 2
#> SD:NMF 121 0.110 0.8444 1.45e-07 3
#> SD:NMF 125 0.244 0.5986 1.10e-18 4
#> SD:NMF 116 0.341 0.4134 2.03e-14 5
#> SD:NMF 107 0.182 0.0574 5.56e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "hclust"]
# you can also extract it by
# res = res_list["CV:hclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 5.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.707 0.902 0.934 0.3374 0.693 0.693
#> 3 3 0.350 0.509 0.751 0.6318 0.692 0.557
#> 4 4 0.460 0.522 0.730 0.2542 0.842 0.646
#> 5 5 0.528 0.602 0.689 0.1004 0.858 0.604
#> 6 6 0.650 0.561 0.749 0.0523 0.958 0.825
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.1414 0.938 0.020 0.980
#> 01010 1 0.2778 0.941 0.952 0.048
#> 03002 2 0.0376 0.937 0.004 0.996
#> 04006 1 0.1843 0.941 0.972 0.028
#> 04007 2 0.0376 0.937 0.004 0.996
#> 04008 2 0.8608 0.661 0.284 0.716
#> 04010 1 0.1843 0.941 0.972 0.028
#> 04016 2 0.0938 0.938 0.012 0.988
#> 06002 2 0.6438 0.843 0.164 0.836
#> 08001 2 0.0938 0.938 0.012 0.988
#> 08011 2 0.1414 0.938 0.020 0.980
#> 08012 2 0.1414 0.937 0.020 0.980
#> 08018 2 0.6247 0.860 0.156 0.844
#> 08024 2 0.6247 0.851 0.156 0.844
#> 09008 1 0.4298 0.928 0.912 0.088
#> 09017 2 0.0000 0.937 0.000 1.000
#> 11005 2 0.0376 0.937 0.004 0.996
#> 12006 2 0.3274 0.923 0.060 0.940
#> 12007 2 0.1414 0.938 0.020 0.980
#> 12012 2 0.6438 0.843 0.164 0.836
#> 12019 2 0.4815 0.898 0.104 0.896
#> 12026 2 0.6531 0.839 0.168 0.832
#> 14016 2 0.6438 0.843 0.164 0.836
#> 15001 2 0.5408 0.884 0.124 0.876
#> 15004 2 0.4298 0.911 0.088 0.912
#> 15005 1 0.4562 0.921 0.904 0.096
#> 16004 1 0.9170 0.530 0.668 0.332
#> 16009 1 0.1843 0.941 0.972 0.028
#> 19005 1 0.9170 0.530 0.668 0.332
#> 20002 2 0.9775 0.362 0.412 0.588
#> 22009 2 0.5294 0.887 0.120 0.880
#> 22010 2 0.2043 0.937 0.032 0.968
#> 22011 2 0.1414 0.937 0.020 0.980
#> 22013 2 0.6438 0.843 0.164 0.836
#> 24001 2 0.1414 0.937 0.020 0.980
#> 24005 2 0.0000 0.937 0.000 1.000
#> 24008 2 0.2043 0.935 0.032 0.968
#> 24010 2 0.1184 0.938 0.016 0.984
#> 24011 2 0.5294 0.887 0.120 0.880
#> 24017 1 0.4022 0.930 0.920 0.080
#> 24018 2 0.9491 0.458 0.368 0.632
#> 24019 1 0.1843 0.941 0.972 0.028
#> 24022 2 0.0000 0.937 0.000 1.000
#> 25003 2 0.4161 0.910 0.084 0.916
#> 25006 1 0.1843 0.941 0.972 0.028
#> 26001 2 0.6438 0.843 0.164 0.836
#> 26003 2 0.0000 0.937 0.000 1.000
#> 26005 2 0.5408 0.883 0.124 0.876
#> 26008 1 0.1843 0.941 0.972 0.028
#> 27003 2 0.1843 0.938 0.028 0.972
#> 27004 2 0.0376 0.937 0.004 0.996
#> 28001 2 0.4815 0.899 0.104 0.896
#> 28003 2 0.3431 0.923 0.064 0.936
#> 28005 2 0.0000 0.937 0.000 1.000
#> 28006 2 0.4815 0.899 0.104 0.896
#> 28007 2 0.0000 0.937 0.000 1.000
#> 28019 1 0.4161 0.931 0.916 0.084
#> 28021 1 0.4161 0.931 0.916 0.084
#> 28023 2 0.0000 0.937 0.000 1.000
#> 28024 2 0.0000 0.937 0.000 1.000
#> 28028 2 0.0000 0.937 0.000 1.000
#> 28031 2 0.0000 0.937 0.000 1.000
#> 28032 2 0.0000 0.937 0.000 1.000
#> 28035 1 0.4431 0.925 0.908 0.092
#> 28036 2 0.0376 0.937 0.004 0.996
#> 28037 1 0.3431 0.938 0.936 0.064
#> 28042 2 0.0938 0.938 0.012 0.988
#> 28043 2 0.0376 0.937 0.004 0.996
#> 28044 2 0.6148 0.850 0.152 0.848
#> 28047 2 0.0000 0.937 0.000 1.000
#> 30001 1 0.4161 0.931 0.916 0.084
#> 31007 2 0.4298 0.911 0.088 0.912
#> 31011 2 0.0000 0.937 0.000 1.000
#> 33005 1 0.1843 0.941 0.972 0.028
#> 36001 1 0.2423 0.942 0.960 0.040
#> 36002 2 0.1633 0.936 0.024 0.976
#> 37013 2 0.6343 0.846 0.160 0.840
#> 43001 2 0.3274 0.923 0.060 0.940
#> 43004 2 0.6531 0.829 0.168 0.832
#> 43007 2 0.2603 0.931 0.044 0.956
#> 43012 2 0.0000 0.937 0.000 1.000
#> 48001 1 0.3879 0.935 0.924 0.076
#> 49006 2 0.0938 0.938 0.012 0.988
#> 57001 2 0.1633 0.938 0.024 0.976
#> 62001 2 0.3584 0.912 0.068 0.932
#> 62002 2 0.0000 0.937 0.000 1.000
#> 62003 2 0.9686 0.381 0.396 0.604
#> 63001 2 0.0000 0.937 0.000 1.000
#> 64001 2 0.1414 0.938 0.020 0.980
#> 64002 1 0.1843 0.941 0.972 0.028
#> 65005 2 0.0938 0.938 0.012 0.988
#> 68001 1 0.1843 0.941 0.972 0.028
#> 68003 2 0.2778 0.928 0.048 0.952
#> 84004 2 0.0376 0.937 0.004 0.996
#> LAL5 2 0.3431 0.923 0.064 0.936
#> 01003 2 0.3431 0.931 0.064 0.936
#> 01007 2 0.2948 0.932 0.052 0.948
#> 02020 2 0.3431 0.931 0.064 0.936
#> 04018 2 0.3274 0.931 0.060 0.940
#> 09002 2 0.2043 0.929 0.032 0.968
#> 10005 2 0.1843 0.929 0.028 0.972
#> 11002 2 0.1843 0.929 0.028 0.972
#> 12008 2 0.3274 0.931 0.060 0.940
#> 15006 1 0.0672 0.929 0.992 0.008
#> 16002 2 0.3274 0.932 0.060 0.940
#> 16007 2 0.2043 0.929 0.032 0.968
#> 17003 2 0.3431 0.931 0.064 0.936
#> 18001 2 0.2043 0.930 0.032 0.968
#> 19002 2 0.3584 0.929 0.068 0.932
#> 19008 2 0.2043 0.929 0.032 0.968
#> 19014 2 0.3431 0.931 0.064 0.936
#> 19017 2 0.1843 0.929 0.028 0.972
#> 20005 2 0.1843 0.929 0.028 0.972
#> 24006 2 0.3274 0.931 0.060 0.940
#> 26009 1 0.0672 0.929 0.992 0.008
#> 28008 2 0.1843 0.929 0.028 0.972
#> 28009 2 0.3584 0.929 0.068 0.932
#> 31015 2 0.2948 0.933 0.052 0.948
#> 37001 2 0.3584 0.929 0.068 0.932
#> 43006 2 0.1843 0.929 0.028 0.972
#> 43015 2 0.3274 0.931 0.060 0.940
#> 44001 2 0.3431 0.931 0.064 0.936
#> 49004 2 0.2043 0.929 0.032 0.968
#> 56007 2 0.2043 0.929 0.032 0.968
#> 64005 2 0.3274 0.931 0.060 0.940
#> 65003 2 0.3584 0.929 0.068 0.932
#> 83001 2 0.3431 0.931 0.064 0.936
#> LAL4 2 0.3431 0.931 0.064 0.936
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.6779 0.5187 0.012 0.444 0.544
#> 01010 1 0.1031 0.8989 0.976 0.000 0.024
#> 03002 2 0.6260 -0.2367 0.000 0.552 0.448
#> 04006 1 0.0000 0.8999 1.000 0.000 0.000
#> 04007 2 0.6260 -0.2155 0.000 0.552 0.448
#> 04008 3 0.9744 0.5525 0.256 0.300 0.444
#> 04010 1 0.0000 0.8999 1.000 0.000 0.000
#> 04016 2 0.6931 -0.3201 0.016 0.528 0.456
#> 06002 3 0.8513 0.6614 0.116 0.316 0.568
#> 08001 2 0.6244 -0.1931 0.000 0.560 0.440
#> 08011 3 0.6779 0.5187 0.012 0.444 0.544
#> 08012 2 0.6520 -0.3877 0.004 0.508 0.488
#> 08018 2 0.8684 -0.2618 0.108 0.500 0.392
#> 08024 3 0.8456 0.6610 0.108 0.328 0.564
#> 09008 1 0.2537 0.8784 0.920 0.000 0.080
#> 09017 2 0.6154 -0.0711 0.000 0.592 0.408
#> 11005 2 0.6260 -0.2367 0.000 0.552 0.448
#> 12006 3 0.5619 0.5554 0.012 0.244 0.744
#> 12007 3 0.6779 0.5187 0.012 0.444 0.544
#> 12012 3 0.8513 0.6616 0.116 0.316 0.568
#> 12019 3 0.7499 0.6380 0.048 0.360 0.592
#> 12026 3 0.8570 0.6593 0.120 0.316 0.564
#> 14016 3 0.8513 0.6616 0.116 0.316 0.568
#> 15001 3 0.8230 0.6516 0.088 0.348 0.564
#> 15004 2 0.6955 -0.1190 0.016 0.496 0.488
#> 15005 1 0.2796 0.8652 0.908 0.000 0.092
#> 16004 1 0.8336 0.4476 0.624 0.152 0.224
#> 16009 1 0.0000 0.8999 1.000 0.000 0.000
#> 19005 1 0.8336 0.4476 0.624 0.152 0.224
#> 20002 1 0.9939 -0.5015 0.388 0.300 0.312
#> 22009 3 0.7937 0.6282 0.068 0.364 0.568
#> 22010 2 0.5843 0.5193 0.016 0.732 0.252
#> 22011 2 0.6520 -0.3877 0.004 0.508 0.488
#> 22013 3 0.8513 0.6616 0.116 0.316 0.568
#> 24001 3 0.6309 0.3858 0.000 0.500 0.500
#> 24005 2 0.5058 0.5079 0.000 0.756 0.244
#> 24008 3 0.5945 0.5236 0.024 0.236 0.740
#> 24010 3 0.5291 0.4875 0.000 0.268 0.732
#> 24011 3 0.7764 0.6581 0.068 0.328 0.604
#> 24017 1 0.2066 0.8838 0.940 0.000 0.060
#> 24018 3 0.9615 0.4591 0.316 0.224 0.460
#> 24019 1 0.0000 0.8999 1.000 0.000 0.000
#> 24022 2 0.4974 0.5126 0.000 0.764 0.236
#> 25003 3 0.7250 0.5951 0.032 0.396 0.572
#> 25006 1 0.0000 0.8999 1.000 0.000 0.000
#> 26001 3 0.8513 0.6614 0.116 0.316 0.568
#> 26003 2 0.5098 0.4911 0.000 0.752 0.248
#> 26005 3 0.7820 0.6600 0.072 0.324 0.604
#> 26008 1 0.0000 0.8999 1.000 0.000 0.000
#> 27003 2 0.6553 0.3746 0.020 0.656 0.324
#> 27004 2 0.4842 0.5261 0.000 0.776 0.224
#> 28001 3 0.6665 0.4033 0.036 0.276 0.688
#> 28003 2 0.6297 0.5312 0.060 0.756 0.184
#> 28005 2 0.4702 0.5378 0.000 0.788 0.212
#> 28006 3 0.6414 0.3716 0.036 0.248 0.716
#> 28007 2 0.4702 0.5378 0.000 0.788 0.212
#> 28019 1 0.2356 0.8830 0.928 0.000 0.072
#> 28021 1 0.2356 0.8830 0.928 0.000 0.072
#> 28023 2 0.4654 0.5419 0.000 0.792 0.208
#> 28024 2 0.4702 0.5378 0.000 0.788 0.212
#> 28028 2 0.4702 0.5414 0.000 0.788 0.212
#> 28031 2 0.4654 0.5419 0.000 0.792 0.208
#> 28032 2 0.4702 0.5414 0.000 0.788 0.212
#> 28035 1 0.2537 0.8761 0.920 0.000 0.080
#> 28036 2 0.4842 0.5314 0.000 0.776 0.224
#> 28037 1 0.1753 0.8941 0.952 0.000 0.048
#> 28042 2 0.4974 0.5331 0.000 0.764 0.236
#> 28043 2 0.5178 0.4673 0.000 0.744 0.256
#> 28044 2 0.8321 0.2892 0.140 0.620 0.240
#> 28047 2 0.4702 0.5378 0.000 0.788 0.212
#> 30001 1 0.2356 0.8830 0.928 0.000 0.072
#> 31007 3 0.6954 0.1053 0.016 0.484 0.500
#> 31011 2 0.4974 0.5131 0.000 0.764 0.236
#> 33005 1 0.0000 0.8999 1.000 0.000 0.000
#> 36001 1 0.0829 0.9003 0.984 0.004 0.012
#> 36002 2 0.6309 -0.3871 0.000 0.504 0.496
#> 37013 3 0.8475 0.6620 0.112 0.320 0.568
#> 43001 3 0.5578 0.5577 0.012 0.240 0.748
#> 43004 2 0.8349 0.2999 0.156 0.624 0.220
#> 43007 3 0.6931 0.5056 0.016 0.456 0.528
#> 43012 2 0.4702 0.5419 0.000 0.788 0.212
#> 48001 1 0.2384 0.8883 0.936 0.008 0.056
#> 49006 3 0.6260 0.5015 0.000 0.448 0.552
#> 57001 2 0.5420 0.5244 0.008 0.752 0.240
#> 62001 2 0.6625 0.4844 0.068 0.736 0.196
#> 62002 2 0.5098 0.4911 0.000 0.752 0.248
#> 62003 3 0.9668 0.4314 0.344 0.220 0.436
#> 63001 3 0.5016 0.2969 0.000 0.240 0.760
#> 64001 3 0.6779 0.5187 0.012 0.444 0.544
#> 64002 1 0.0000 0.8999 1.000 0.000 0.000
#> 65005 3 0.6260 0.5015 0.000 0.448 0.552
#> 68001 1 0.0000 0.8999 1.000 0.000 0.000
#> 68003 3 0.6809 0.4717 0.012 0.464 0.524
#> 84004 2 0.6235 -0.1685 0.000 0.564 0.436
#> LAL5 2 0.6297 0.5312 0.060 0.756 0.184
#> 01003 2 0.2269 0.6048 0.016 0.944 0.040
#> 01007 2 0.1832 0.6063 0.008 0.956 0.036
#> 02020 2 0.2902 0.5976 0.016 0.920 0.064
#> 04018 2 0.2116 0.6059 0.012 0.948 0.040
#> 09002 2 0.2945 0.5507 0.004 0.908 0.088
#> 10005 3 0.6252 0.0164 0.000 0.444 0.556
#> 11002 2 0.5760 0.2603 0.000 0.672 0.328
#> 12008 2 0.2152 0.6063 0.016 0.948 0.036
#> 15006 1 0.0892 0.8926 0.980 0.020 0.000
#> 16002 2 0.2845 0.5923 0.012 0.920 0.068
#> 16007 2 0.2945 0.5507 0.004 0.908 0.088
#> 17003 2 0.2902 0.5976 0.016 0.920 0.064
#> 18001 2 0.2537 0.5626 0.000 0.920 0.080
#> 19002 2 0.2297 0.6046 0.020 0.944 0.036
#> 19008 2 0.3030 0.5470 0.004 0.904 0.092
#> 19014 2 0.2902 0.5976 0.016 0.920 0.064
#> 19017 2 0.3752 0.4942 0.000 0.856 0.144
#> 20005 2 0.2625 0.5557 0.000 0.916 0.084
#> 24006 2 0.2116 0.6059 0.012 0.948 0.040
#> 26009 1 0.0892 0.8926 0.980 0.020 0.000
#> 28008 2 0.5760 0.2603 0.000 0.672 0.328
#> 28009 2 0.2297 0.6046 0.020 0.944 0.036
#> 31015 2 0.2173 0.6011 0.008 0.944 0.048
#> 37001 2 0.2297 0.6046 0.020 0.944 0.036
#> 43006 2 0.2796 0.5480 0.000 0.908 0.092
#> 43015 2 0.2152 0.6063 0.016 0.948 0.036
#> 44001 2 0.2703 0.5974 0.016 0.928 0.056
#> 49004 2 0.2945 0.5507 0.004 0.908 0.088
#> 56007 2 0.3030 0.5470 0.004 0.904 0.092
#> 64005 2 0.2152 0.6063 0.016 0.948 0.036
#> 65003 2 0.2297 0.6046 0.020 0.944 0.036
#> 83001 2 0.2492 0.6035 0.016 0.936 0.048
#> LAL4 2 0.2902 0.5976 0.016 0.920 0.064
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.4362 0.6349 0.008 0.136 0.816 0.040
#> 01010 1 0.0967 0.9213 0.976 0.004 0.004 0.016
#> 03002 3 0.6506 0.3239 0.000 0.072 0.472 0.456
#> 04006 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 04007 3 0.7082 0.4452 0.000 0.132 0.500 0.368
#> 04008 3 0.5711 0.5784 0.244 0.020 0.700 0.036
#> 04010 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 04016 3 0.7394 0.4854 0.016 0.116 0.516 0.352
#> 06002 3 0.4084 0.6630 0.104 0.008 0.840 0.048
#> 08001 4 0.6813 -0.1641 0.000 0.104 0.380 0.516
#> 08011 3 0.4362 0.6349 0.008 0.136 0.816 0.040
#> 08012 3 0.7047 0.4221 0.004 0.104 0.464 0.428
#> 08018 3 0.7272 0.4119 0.096 0.020 0.528 0.356
#> 08024 3 0.5461 0.6631 0.096 0.008 0.752 0.144
#> 09008 1 0.3103 0.8950 0.892 0.028 0.008 0.072
#> 09017 4 0.6290 -0.0548 0.000 0.068 0.364 0.568
#> 11005 4 0.6503 -0.3080 0.000 0.072 0.448 0.480
#> 12006 3 0.7452 0.4484 0.012 0.224 0.564 0.200
#> 12007 3 0.4447 0.6367 0.008 0.136 0.812 0.044
#> 12012 3 0.4084 0.6631 0.104 0.008 0.840 0.048
#> 12019 3 0.4739 0.6611 0.036 0.012 0.788 0.164
#> 12026 3 0.4304 0.6635 0.108 0.008 0.828 0.056
#> 14016 3 0.4084 0.6631 0.104 0.008 0.840 0.048
#> 15001 3 0.4621 0.6612 0.076 0.060 0.828 0.036
#> 15004 4 0.6825 0.2271 0.004 0.148 0.236 0.612
#> 15005 1 0.3374 0.8862 0.880 0.028 0.012 0.080
#> 16004 1 0.7904 0.4552 0.588 0.076 0.212 0.124
#> 16009 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 19005 1 0.7904 0.4552 0.588 0.076 0.212 0.124
#> 20002 3 0.6329 0.3563 0.380 0.020 0.568 0.032
#> 22009 3 0.5662 0.6307 0.056 0.020 0.732 0.192
#> 22010 4 0.3648 0.5384 0.004 0.056 0.076 0.864
#> 22011 3 0.7051 0.4062 0.004 0.104 0.456 0.436
#> 22013 3 0.4084 0.6631 0.104 0.008 0.840 0.048
#> 24001 3 0.6791 0.4628 0.000 0.100 0.508 0.392
#> 24005 4 0.3107 0.5422 0.000 0.036 0.080 0.884
#> 24008 3 0.6996 0.4616 0.016 0.308 0.580 0.096
#> 24010 3 0.7475 0.3368 0.000 0.332 0.476 0.192
#> 24011 3 0.3419 0.6694 0.056 0.016 0.884 0.044
#> 24017 1 0.1637 0.8830 0.940 0.000 0.060 0.000
#> 24018 3 0.8010 0.4075 0.284 0.024 0.500 0.192
#> 24019 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 24022 4 0.2670 0.5516 0.000 0.024 0.072 0.904
#> 25003 3 0.5799 0.6480 0.032 0.048 0.728 0.192
#> 25006 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 26001 3 0.4166 0.6646 0.104 0.008 0.836 0.052
#> 26003 4 0.2610 0.5482 0.000 0.012 0.088 0.900
#> 26005 3 0.3498 0.6692 0.060 0.016 0.880 0.044
#> 26008 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 27003 4 0.4442 0.4594 0.004 0.056 0.128 0.812
#> 27004 4 0.2021 0.5657 0.000 0.012 0.056 0.932
#> 28001 4 0.7945 -0.1492 0.004 0.312 0.264 0.420
#> 28003 4 0.3080 0.5593 0.052 0.020 0.028 0.900
#> 28005 4 0.1488 0.5655 0.000 0.012 0.032 0.956
#> 28006 4 0.7886 -0.1622 0.004 0.348 0.232 0.416
#> 28007 4 0.1706 0.5656 0.000 0.016 0.036 0.948
#> 28019 1 0.2852 0.9010 0.904 0.024 0.008 0.064
#> 28021 1 0.2852 0.9010 0.904 0.024 0.008 0.064
#> 28023 4 0.1256 0.5665 0.000 0.008 0.028 0.964
#> 28024 4 0.1706 0.5656 0.000 0.016 0.036 0.948
#> 28028 4 0.1888 0.5652 0.000 0.016 0.044 0.940
#> 28031 4 0.1256 0.5665 0.000 0.008 0.028 0.964
#> 28032 4 0.1888 0.5652 0.000 0.016 0.044 0.940
#> 28035 1 0.3001 0.8952 0.896 0.024 0.008 0.072
#> 28036 4 0.2174 0.5636 0.000 0.020 0.052 0.928
#> 28037 1 0.2392 0.9122 0.928 0.024 0.012 0.036
#> 28042 4 0.2021 0.5661 0.000 0.024 0.040 0.936
#> 28043 4 0.4055 0.4792 0.000 0.060 0.108 0.832
#> 28044 4 0.5009 0.4644 0.120 0.024 0.060 0.796
#> 28047 4 0.1356 0.5663 0.000 0.008 0.032 0.960
#> 30001 1 0.2852 0.9010 0.904 0.024 0.008 0.064
#> 31007 4 0.6996 0.1949 0.004 0.160 0.244 0.592
#> 31011 4 0.2255 0.5662 0.000 0.012 0.068 0.920
#> 33005 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 36001 1 0.1262 0.9208 0.968 0.016 0.008 0.008
#> 36002 3 0.6429 0.5347 0.000 0.088 0.588 0.324
#> 37013 3 0.4933 0.6672 0.100 0.008 0.792 0.100
#> 43001 3 0.7293 0.4701 0.012 0.224 0.584 0.180
#> 43004 4 0.5358 0.4478 0.144 0.020 0.068 0.768
#> 43007 3 0.5640 0.5940 0.004 0.052 0.688 0.256
#> 43012 4 0.1388 0.5656 0.000 0.012 0.028 0.960
#> 48001 1 0.2744 0.9073 0.912 0.024 0.012 0.052
#> 49006 3 0.4562 0.6278 0.000 0.152 0.792 0.056
#> 57001 4 0.3670 0.5384 0.004 0.044 0.092 0.860
#> 62001 4 0.3497 0.5459 0.056 0.008 0.060 0.876
#> 62002 4 0.3105 0.5241 0.000 0.012 0.120 0.868
#> 62003 3 0.8372 0.2999 0.312 0.028 0.436 0.224
#> 63001 2 0.7239 -0.1281 0.000 0.544 0.248 0.208
#> 64001 3 0.4362 0.6349 0.008 0.136 0.816 0.040
#> 64002 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 65005 3 0.4356 0.6277 0.000 0.148 0.804 0.048
#> 68001 1 0.0000 0.9227 1.000 0.000 0.000 0.000
#> 68003 3 0.6671 0.5063 0.012 0.064 0.552 0.372
#> 84004 3 0.7187 0.3732 0.000 0.136 0.440 0.424
#> LAL5 4 0.2864 0.5559 0.052 0.024 0.016 0.908
#> 01003 4 0.5814 0.4511 0.004 0.324 0.040 0.632
#> 01007 4 0.5617 0.4532 0.004 0.336 0.028 0.632
#> 02020 4 0.6164 0.4314 0.004 0.336 0.056 0.604
#> 04018 4 0.5686 0.4558 0.004 0.332 0.032 0.632
#> 09002 4 0.5493 0.2197 0.000 0.456 0.016 0.528
#> 10005 2 0.4426 0.2331 0.000 0.772 0.204 0.024
#> 11002 2 0.4283 0.4064 0.000 0.740 0.004 0.256
#> 12008 4 0.5951 0.4288 0.004 0.356 0.040 0.600
#> 15006 1 0.0967 0.9134 0.976 0.016 0.004 0.004
#> 16002 4 0.5599 0.4236 0.000 0.352 0.032 0.616
#> 16007 4 0.5493 0.2197 0.000 0.456 0.016 0.528
#> 17003 4 0.6164 0.4314 0.004 0.336 0.056 0.604
#> 18001 4 0.5383 0.2414 0.000 0.452 0.012 0.536
#> 19002 4 0.5713 0.4573 0.004 0.320 0.036 0.640
#> 19008 4 0.5396 0.2090 0.000 0.464 0.012 0.524
#> 19014 4 0.6164 0.4314 0.004 0.336 0.056 0.604
#> 19017 2 0.5151 -0.2022 0.000 0.532 0.004 0.464
#> 20005 4 0.5392 0.2240 0.000 0.460 0.012 0.528
#> 24006 4 0.5686 0.4558 0.004 0.332 0.032 0.632
#> 26009 1 0.0967 0.9134 0.976 0.016 0.004 0.004
#> 28008 2 0.4283 0.4064 0.000 0.740 0.004 0.256
#> 28009 4 0.5713 0.4573 0.004 0.320 0.036 0.640
#> 31015 4 0.5907 0.3896 0.004 0.392 0.032 0.572
#> 37001 4 0.5713 0.4573 0.004 0.320 0.036 0.640
#> 43006 4 0.5396 0.2110 0.000 0.464 0.012 0.524
#> 43015 4 0.5904 0.4414 0.004 0.344 0.040 0.612
#> 44001 4 0.5887 0.4374 0.004 0.340 0.040 0.616
#> 49004 4 0.5493 0.2197 0.000 0.456 0.016 0.528
#> 56007 4 0.5396 0.2090 0.000 0.464 0.012 0.524
#> 64005 4 0.5966 0.4239 0.004 0.360 0.040 0.596
#> 65003 4 0.5873 0.4520 0.004 0.320 0.044 0.632
#> 83001 4 0.5794 0.4590 0.004 0.320 0.040 0.636
#> LAL4 4 0.6164 0.4314 0.004 0.336 0.056 0.604
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.3916 0.4905 0.004 0.000 0.780 0.028 0.188
#> 01010 1 0.1087 0.9079 0.968 0.000 0.008 0.008 0.016
#> 03002 4 0.7707 -0.0887 0.000 0.080 0.372 0.376 0.172
#> 04006 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 04007 3 0.7864 0.2302 0.000 0.092 0.416 0.292 0.200
#> 04008 3 0.4555 0.4480 0.224 0.012 0.736 0.012 0.016
#> 04010 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 04016 3 0.7761 0.2857 0.008 0.092 0.472 0.284 0.144
#> 06002 3 0.3282 0.5336 0.084 0.044 0.860 0.000 0.012
#> 08001 4 0.7851 0.1599 0.000 0.096 0.272 0.432 0.200
#> 08011 3 0.3916 0.4905 0.004 0.000 0.780 0.028 0.188
#> 08012 3 0.8021 0.1510 0.000 0.100 0.372 0.316 0.212
#> 08018 3 0.7354 0.1740 0.068 0.056 0.556 0.264 0.056
#> 08024 3 0.5216 0.5219 0.076 0.080 0.764 0.068 0.012
#> 09008 1 0.3058 0.8804 0.884 0.008 0.012 0.048 0.048
#> 09017 4 0.7630 0.2548 0.000 0.104 0.268 0.476 0.152
#> 11005 4 0.7573 -0.0207 0.000 0.068 0.352 0.408 0.172
#> 12006 3 0.7553 -0.1783 0.000 0.072 0.412 0.160 0.356
#> 12007 3 0.4072 0.4913 0.004 0.004 0.776 0.028 0.188
#> 12012 3 0.3244 0.5324 0.084 0.048 0.860 0.000 0.008
#> 12019 3 0.4879 0.5149 0.024 0.076 0.784 0.092 0.024
#> 12026 3 0.3514 0.5307 0.088 0.048 0.848 0.000 0.016
#> 14016 3 0.3244 0.5324 0.084 0.048 0.860 0.000 0.008
#> 15001 3 0.3535 0.5351 0.056 0.008 0.856 0.012 0.068
#> 15004 4 0.7704 0.0276 0.000 0.212 0.108 0.484 0.196
#> 15005 1 0.3304 0.8718 0.872 0.008 0.016 0.052 0.052
#> 16004 1 0.7843 0.3742 0.572 0.120 0.100 0.140 0.068
#> 16009 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 19005 1 0.7843 0.3742 0.572 0.120 0.100 0.140 0.068
#> 20002 3 0.5179 0.3100 0.364 0.012 0.600 0.012 0.012
#> 22009 3 0.5914 0.4471 0.040 0.088 0.712 0.132 0.028
#> 22010 4 0.5741 0.5512 0.000 0.368 0.008 0.552 0.072
#> 22011 3 0.7996 0.1477 0.000 0.096 0.368 0.324 0.212
#> 22013 3 0.3244 0.5324 0.084 0.048 0.860 0.000 0.008
#> 24001 3 0.7926 0.2137 0.000 0.096 0.412 0.280 0.212
#> 24005 4 0.5692 0.6721 0.000 0.156 0.032 0.688 0.124
#> 24008 3 0.6978 -0.0782 0.008 0.052 0.468 0.084 0.388
#> 24010 5 0.7247 0.2537 0.000 0.064 0.284 0.152 0.500
#> 24011 3 0.2555 0.5407 0.036 0.040 0.908 0.004 0.012
#> 24017 1 0.1478 0.8703 0.936 0.000 0.064 0.000 0.000
#> 24018 3 0.8236 0.1435 0.268 0.104 0.456 0.144 0.028
#> 24019 1 0.0451 0.9089 0.988 0.000 0.004 0.000 0.008
#> 24022 4 0.4639 0.7252 0.000 0.140 0.032 0.772 0.056
#> 25003 3 0.6623 0.4712 0.020 0.072 0.656 0.120 0.132
#> 25006 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 26001 3 0.3355 0.5336 0.084 0.048 0.856 0.000 0.012
#> 26003 4 0.5244 0.7279 0.000 0.180 0.044 0.720 0.056
#> 26005 3 0.2634 0.5409 0.040 0.040 0.904 0.004 0.012
#> 26008 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 27003 4 0.6151 0.4978 0.000 0.268 0.052 0.612 0.068
#> 27004 4 0.4354 0.7404 0.000 0.160 0.004 0.768 0.068
#> 28001 5 0.8013 0.4732 0.000 0.140 0.144 0.352 0.364
#> 28003 4 0.5842 0.6910 0.040 0.236 0.012 0.664 0.048
#> 28005 4 0.3651 0.7403 0.000 0.160 0.004 0.808 0.028
#> 28006 5 0.7913 0.4852 0.000 0.128 0.144 0.324 0.404
#> 28007 4 0.3284 0.7373 0.000 0.148 0.000 0.828 0.024
#> 28019 1 0.2701 0.8866 0.896 0.000 0.012 0.044 0.048
#> 28021 1 0.2701 0.8866 0.896 0.000 0.012 0.044 0.048
#> 28023 4 0.3810 0.7346 0.000 0.168 0.000 0.792 0.040
#> 28024 4 0.3284 0.7373 0.000 0.148 0.000 0.828 0.024
#> 28028 4 0.4376 0.7202 0.000 0.144 0.000 0.764 0.092
#> 28031 4 0.3810 0.7346 0.000 0.168 0.000 0.792 0.040
#> 28032 4 0.4376 0.7202 0.000 0.144 0.000 0.764 0.092
#> 28035 1 0.2846 0.8819 0.888 0.000 0.012 0.052 0.048
#> 28036 4 0.4166 0.7346 0.000 0.148 0.008 0.788 0.056
#> 28037 1 0.2244 0.8979 0.920 0.000 0.016 0.024 0.040
#> 28042 4 0.4384 0.7110 0.000 0.228 0.000 0.728 0.044
#> 28043 4 0.5057 0.6753 0.000 0.112 0.056 0.756 0.076
#> 28044 4 0.7160 0.5986 0.112 0.188 0.036 0.604 0.060
#> 28047 4 0.3488 0.7391 0.000 0.168 0.000 0.808 0.024
#> 30001 1 0.2701 0.8866 0.896 0.000 0.012 0.044 0.048
#> 31007 4 0.7806 -0.0411 0.000 0.220 0.108 0.464 0.208
#> 31011 4 0.5469 0.7235 0.000 0.208 0.044 0.692 0.056
#> 33005 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 36001 1 0.1413 0.9079 0.956 0.000 0.012 0.012 0.020
#> 36002 3 0.7575 0.2993 0.000 0.084 0.480 0.252 0.184
#> 37013 3 0.4665 0.5270 0.084 0.060 0.796 0.052 0.008
#> 43001 3 0.7490 -0.1313 0.000 0.072 0.432 0.152 0.344
#> 43004 4 0.7317 0.5800 0.136 0.184 0.040 0.588 0.052
#> 43007 3 0.6402 0.4142 0.004 0.088 0.640 0.196 0.072
#> 43012 4 0.3771 0.7343 0.000 0.164 0.000 0.796 0.040
#> 48001 1 0.2578 0.8928 0.904 0.000 0.016 0.040 0.040
#> 49006 3 0.4325 0.4571 0.000 0.000 0.724 0.036 0.240
#> 57001 4 0.6590 0.6138 0.000 0.304 0.068 0.556 0.072
#> 62001 4 0.5962 0.7094 0.048 0.184 0.032 0.692 0.044
#> 62002 4 0.5520 0.7110 0.000 0.168 0.068 0.708 0.056
#> 62003 3 0.8644 0.0400 0.296 0.104 0.392 0.168 0.040
#> 63001 5 0.5889 0.4237 0.000 0.040 0.144 0.140 0.676
#> 64001 3 0.3916 0.4905 0.004 0.000 0.780 0.028 0.188
#> 64002 1 0.0451 0.9089 0.988 0.000 0.004 0.000 0.008
#> 65005 3 0.4073 0.4709 0.000 0.000 0.752 0.032 0.216
#> 68001 1 0.0404 0.9088 0.988 0.000 0.000 0.000 0.012
#> 68003 3 0.7287 0.2589 0.000 0.064 0.488 0.296 0.152
#> 84004 3 0.8009 0.1491 0.000 0.092 0.360 0.320 0.228
#> LAL5 4 0.5986 0.6699 0.040 0.260 0.012 0.640 0.048
#> 01003 2 0.2818 0.8261 0.000 0.856 0.000 0.132 0.012
#> 01007 2 0.3278 0.8225 0.000 0.824 0.000 0.156 0.020
#> 02020 2 0.2635 0.8081 0.000 0.888 0.008 0.088 0.016
#> 04018 2 0.3141 0.8221 0.000 0.832 0.000 0.152 0.016
#> 09002 2 0.4121 0.7764 0.000 0.788 0.000 0.112 0.100
#> 10005 5 0.6120 0.3713 0.000 0.264 0.124 0.016 0.596
#> 11002 2 0.4846 0.3607 0.000 0.588 0.000 0.028 0.384
#> 12008 2 0.3241 0.8328 0.000 0.856 0.008 0.100 0.036
#> 15006 1 0.1012 0.9012 0.968 0.012 0.000 0.000 0.020
#> 16002 2 0.2920 0.8290 0.000 0.852 0.000 0.132 0.016
#> 16007 2 0.4121 0.7764 0.000 0.788 0.000 0.112 0.100
#> 17003 2 0.2635 0.8081 0.000 0.888 0.008 0.088 0.016
#> 18001 2 0.4164 0.7854 0.000 0.784 0.000 0.120 0.096
#> 19002 2 0.2997 0.8195 0.000 0.840 0.000 0.148 0.012
#> 19008 2 0.4010 0.7744 0.000 0.796 0.000 0.116 0.088
#> 19014 2 0.2635 0.8081 0.000 0.888 0.008 0.088 0.016
#> 19017 2 0.4160 0.7118 0.000 0.780 0.008 0.044 0.168
#> 20005 2 0.4262 0.7746 0.000 0.776 0.000 0.124 0.100
#> 24006 2 0.3169 0.8303 0.000 0.840 0.004 0.140 0.016
#> 26009 1 0.1012 0.9012 0.968 0.012 0.000 0.000 0.020
#> 28008 2 0.4846 0.3607 0.000 0.588 0.000 0.028 0.384
#> 28009 2 0.2997 0.8195 0.000 0.840 0.000 0.148 0.012
#> 31015 2 0.3237 0.8321 0.000 0.848 0.000 0.104 0.048
#> 37001 2 0.2997 0.8195 0.000 0.840 0.000 0.148 0.012
#> 43006 2 0.4117 0.7736 0.000 0.788 0.000 0.116 0.096
#> 43015 2 0.3131 0.8323 0.000 0.860 0.008 0.104 0.028
#> 44001 2 0.2624 0.8248 0.000 0.872 0.000 0.116 0.012
#> 49004 2 0.4121 0.7764 0.000 0.788 0.000 0.112 0.100
#> 56007 2 0.4010 0.7744 0.000 0.796 0.000 0.116 0.088
#> 64005 2 0.3187 0.8328 0.000 0.860 0.008 0.096 0.036
#> 65003 2 0.2818 0.8234 0.000 0.856 0.000 0.132 0.012
#> 83001 2 0.2959 0.8207 0.000 0.864 0.008 0.112 0.016
#> LAL4 2 0.2635 0.8081 0.000 0.888 0.008 0.088 0.016
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3531 0.46248 0.000 0.000 0.672 0.000 0.000 0.328
#> 01010 1 0.1528 0.90260 0.944 0.000 0.016 0.000 0.028 0.012
#> 03002 4 0.7149 -0.22019 0.000 0.024 0.248 0.400 0.036 0.292
#> 04006 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 04007 6 0.6766 0.16148 0.000 0.028 0.280 0.332 0.004 0.356
#> 04008 3 0.3257 0.51197 0.152 0.000 0.816 0.000 0.012 0.020
#> 04010 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 04016 3 0.6958 -0.18770 0.000 0.028 0.384 0.316 0.016 0.256
#> 06002 3 0.1785 0.59065 0.016 0.028 0.936 0.000 0.012 0.008
#> 08001 4 0.6351 -0.05737 0.000 0.008 0.156 0.500 0.028 0.308
#> 08011 3 0.3531 0.46248 0.000 0.000 0.672 0.000 0.000 0.328
#> 08012 4 0.7606 -0.33005 0.000 0.036 0.288 0.340 0.056 0.280
#> 08018 3 0.6889 0.18347 0.020 0.048 0.552 0.256 0.088 0.036
#> 08024 3 0.3745 0.55646 0.012 0.036 0.832 0.088 0.020 0.012
#> 09008 1 0.2700 0.87776 0.884 0.008 0.000 0.040 0.060 0.008
#> 09017 4 0.7183 0.06010 0.000 0.044 0.168 0.496 0.056 0.236
#> 11005 4 0.6804 -0.15973 0.000 0.008 0.240 0.436 0.036 0.280
#> 12006 5 0.7143 0.25420 0.000 0.008 0.280 0.068 0.416 0.228
#> 12007 3 0.3668 0.46322 0.000 0.000 0.668 0.000 0.004 0.328
#> 12012 3 0.1622 0.58976 0.016 0.028 0.940 0.000 0.016 0.000
#> 12019 3 0.5099 0.50655 0.008 0.036 0.728 0.112 0.008 0.108
#> 12026 3 0.1766 0.58775 0.016 0.028 0.936 0.000 0.016 0.004
#> 14016 3 0.1622 0.58976 0.016 0.028 0.940 0.000 0.016 0.000
#> 15001 3 0.3084 0.57301 0.024 0.000 0.832 0.000 0.008 0.136
#> 15004 5 0.8230 0.26834 0.000 0.212 0.076 0.296 0.320 0.096
#> 15005 1 0.2977 0.86895 0.872 0.008 0.004 0.048 0.060 0.008
#> 16004 1 0.6214 0.38228 0.572 0.136 0.056 0.000 0.232 0.004
#> 16009 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 19005 1 0.6214 0.38228 0.572 0.136 0.056 0.000 0.232 0.004
#> 20002 3 0.4103 0.37153 0.288 0.000 0.684 0.000 0.008 0.020
#> 22009 3 0.5422 0.46069 0.000 0.092 0.720 0.080 0.064 0.044
#> 22010 4 0.6035 0.25362 0.000 0.316 0.008 0.528 0.128 0.020
#> 22011 4 0.7561 -0.32304 0.000 0.036 0.284 0.348 0.052 0.280
#> 22013 3 0.1622 0.58976 0.016 0.028 0.940 0.000 0.016 0.000
#> 24001 3 0.7499 -0.23967 0.000 0.036 0.324 0.304 0.044 0.292
#> 24005 4 0.5128 0.57212 0.000 0.048 0.040 0.740 0.092 0.080
#> 24008 3 0.6252 -0.09734 0.000 0.004 0.388 0.004 0.368 0.236
#> 24010 5 0.6732 0.20423 0.000 0.008 0.152 0.052 0.444 0.344
#> 24011 3 0.2811 0.59536 0.012 0.028 0.876 0.000 0.008 0.076
#> 24017 1 0.1700 0.86443 0.916 0.000 0.080 0.000 0.000 0.004
#> 24018 3 0.7695 0.09003 0.228 0.104 0.484 0.084 0.096 0.004
#> 24019 1 0.1410 0.89744 0.944 0.000 0.008 0.000 0.044 0.004
#> 24022 4 0.2824 0.66378 0.000 0.008 0.024 0.880 0.024 0.064
#> 25003 3 0.6237 0.37676 0.008 0.036 0.588 0.140 0.008 0.220
#> 25006 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 26001 3 0.1879 0.59198 0.016 0.028 0.932 0.000 0.016 0.008
#> 26003 4 0.3840 0.66210 0.000 0.052 0.036 0.828 0.024 0.060
#> 26005 3 0.2756 0.59644 0.012 0.028 0.880 0.000 0.008 0.072
#> 26008 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 27003 4 0.6094 0.25684 0.000 0.184 0.024 0.552 0.236 0.004
#> 27004 4 0.2434 0.67993 0.000 0.016 0.000 0.896 0.032 0.056
#> 28001 5 0.5275 0.41093 0.000 0.068 0.048 0.180 0.692 0.012
#> 28003 4 0.4149 0.61790 0.012 0.116 0.000 0.780 0.084 0.008
#> 28005 4 0.1448 0.68077 0.000 0.016 0.000 0.948 0.024 0.012
#> 28006 5 0.7193 0.36282 0.000 0.068 0.048 0.184 0.520 0.180
#> 28007 4 0.1565 0.67628 0.000 0.004 0.000 0.940 0.028 0.028
#> 28019 1 0.2434 0.88253 0.892 0.000 0.000 0.036 0.064 0.008
#> 28021 1 0.2434 0.88253 0.892 0.000 0.000 0.036 0.064 0.008
#> 28023 4 0.1708 0.67483 0.000 0.024 0.000 0.932 0.040 0.004
#> 28024 4 0.1565 0.67628 0.000 0.004 0.000 0.940 0.028 0.028
#> 28028 4 0.3253 0.63687 0.000 0.004 0.000 0.832 0.096 0.068
#> 28031 4 0.1708 0.67483 0.000 0.024 0.000 0.932 0.040 0.004
#> 28032 4 0.3253 0.63687 0.000 0.004 0.000 0.832 0.096 0.068
#> 28035 1 0.2573 0.87857 0.884 0.000 0.000 0.044 0.064 0.008
#> 28036 4 0.2226 0.67496 0.000 0.008 0.000 0.904 0.028 0.060
#> 28037 1 0.2208 0.89393 0.912 0.000 0.008 0.016 0.052 0.012
#> 28042 4 0.3265 0.63102 0.000 0.112 0.000 0.828 0.056 0.004
#> 28043 4 0.3403 0.62169 0.000 0.008 0.032 0.840 0.024 0.096
#> 28044 4 0.5728 0.50224 0.112 0.068 0.008 0.680 0.124 0.008
#> 28047 4 0.1434 0.68109 0.000 0.024 0.000 0.948 0.020 0.008
#> 30001 1 0.2434 0.88253 0.892 0.000 0.000 0.036 0.064 0.008
#> 31007 5 0.8247 0.30962 0.000 0.216 0.076 0.272 0.336 0.100
#> 31011 4 0.4461 0.64414 0.000 0.092 0.024 0.784 0.048 0.052
#> 33005 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 36001 1 0.1686 0.89804 0.932 0.004 0.000 0.004 0.052 0.008
#> 36002 3 0.6884 -0.15249 0.000 0.020 0.368 0.288 0.016 0.308
#> 37013 3 0.3002 0.57516 0.016 0.040 0.876 0.044 0.024 0.000
#> 43001 5 0.7127 0.22742 0.000 0.008 0.300 0.064 0.404 0.224
#> 43004 4 0.6024 0.48383 0.128 0.068 0.016 0.660 0.120 0.008
#> 43007 3 0.5977 0.23322 0.000 0.020 0.564 0.232 0.004 0.180
#> 43012 4 0.1857 0.67396 0.000 0.028 0.000 0.924 0.044 0.004
#> 48001 1 0.2694 0.88719 0.892 0.004 0.016 0.028 0.052 0.008
#> 49006 3 0.4049 0.37036 0.000 0.000 0.580 0.004 0.004 0.412
#> 57001 4 0.6214 0.42509 0.000 0.228 0.072 0.600 0.080 0.020
#> 62001 4 0.3969 0.64208 0.036 0.040 0.008 0.816 0.092 0.008
#> 62002 4 0.4489 0.64201 0.000 0.060 0.060 0.788 0.032 0.060
#> 62003 3 0.7999 -0.02100 0.256 0.104 0.420 0.100 0.120 0.000
#> 63001 6 0.4633 -0.04981 0.000 0.000 0.040 0.072 0.152 0.736
#> 64001 3 0.3531 0.46248 0.000 0.000 0.672 0.000 0.000 0.328
#> 64002 1 0.1410 0.89744 0.944 0.000 0.008 0.000 0.044 0.004
#> 65005 3 0.3737 0.40253 0.000 0.000 0.608 0.000 0.000 0.392
#> 68001 1 0.0665 0.90323 0.980 0.000 0.008 0.000 0.008 0.004
#> 68003 3 0.6915 -0.12642 0.000 0.008 0.376 0.328 0.036 0.252
#> 84004 6 0.6838 0.23591 0.000 0.028 0.228 0.348 0.012 0.384
#> LAL5 4 0.4602 0.56322 0.012 0.164 0.000 0.732 0.084 0.008
#> 01003 2 0.1882 0.83188 0.000 0.920 0.000 0.060 0.012 0.008
#> 01007 2 0.2252 0.83418 0.000 0.900 0.000 0.072 0.016 0.012
#> 02020 2 0.1655 0.80436 0.000 0.932 0.000 0.008 0.052 0.008
#> 04018 2 0.2215 0.83243 0.000 0.900 0.000 0.076 0.012 0.012
#> 09002 2 0.5335 0.76376 0.000 0.688 0.000 0.104 0.076 0.132
#> 10005 6 0.4693 0.00632 0.000 0.216 0.012 0.000 0.080 0.692
#> 11002 2 0.5430 0.50286 0.000 0.504 0.000 0.012 0.084 0.400
#> 12008 2 0.1334 0.82662 0.000 0.948 0.000 0.000 0.032 0.020
#> 15006 1 0.1608 0.89414 0.944 0.008 0.008 0.000 0.020 0.020
#> 16002 2 0.2631 0.83204 0.000 0.876 0.000 0.076 0.004 0.044
#> 16007 2 0.5371 0.76275 0.000 0.684 0.000 0.104 0.076 0.136
#> 17003 2 0.1655 0.80436 0.000 0.932 0.000 0.008 0.052 0.008
#> 18001 2 0.5017 0.77949 0.000 0.716 0.000 0.096 0.064 0.124
#> 19002 2 0.1882 0.83288 0.000 0.920 0.000 0.060 0.008 0.012
#> 19008 2 0.5285 0.76034 0.000 0.692 0.000 0.104 0.072 0.132
#> 19014 2 0.1655 0.80436 0.000 0.932 0.000 0.008 0.052 0.008
#> 19017 2 0.4144 0.73386 0.000 0.728 0.000 0.000 0.072 0.200
#> 20005 2 0.5264 0.76237 0.000 0.692 0.000 0.112 0.064 0.132
#> 24006 2 0.1921 0.83831 0.000 0.920 0.000 0.056 0.012 0.012
#> 26009 1 0.1608 0.89414 0.944 0.008 0.008 0.000 0.020 0.020
#> 28008 2 0.5430 0.50286 0.000 0.504 0.000 0.012 0.084 0.400
#> 28009 2 0.1882 0.83288 0.000 0.920 0.000 0.060 0.008 0.012
#> 31015 2 0.2867 0.83179 0.000 0.872 0.000 0.040 0.064 0.024
#> 37001 2 0.1882 0.83288 0.000 0.920 0.000 0.060 0.008 0.012
#> 43006 2 0.5321 0.75987 0.000 0.688 0.000 0.104 0.072 0.136
#> 43015 2 0.1088 0.82605 0.000 0.960 0.000 0.000 0.024 0.016
#> 44001 2 0.2046 0.82499 0.000 0.916 0.000 0.044 0.032 0.008
#> 49004 2 0.5371 0.76275 0.000 0.684 0.000 0.104 0.076 0.136
#> 56007 2 0.5285 0.76034 0.000 0.692 0.000 0.104 0.072 0.132
#> 64005 2 0.1408 0.82644 0.000 0.944 0.000 0.000 0.036 0.020
#> 65003 2 0.2015 0.82996 0.000 0.916 0.000 0.056 0.016 0.012
#> 83001 2 0.0976 0.81955 0.000 0.968 0.000 0.008 0.016 0.008
#> LAL4 2 0.1655 0.80436 0.000 0.932 0.000 0.008 0.052 0.008
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:hclust 125 0.334 0.953 3.34e-01 2
#> CV:hclust 93 0.303 0.766 1.34e-05 3
#> CV:hclust 68 0.159 0.426 1.59e-03 4
#> CV:hclust 87 0.327 0.625 8.10e-14 5
#> CV:hclust 87 0.452 0.763 7.69e-13 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "kmeans"]
# you can also extract it by
# res = res_list["CV:kmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.421 0.765 0.851 0.3716 0.630 0.630
#> 3 3 0.727 0.782 0.836 0.6329 0.703 0.551
#> 4 4 0.746 0.896 0.897 0.2074 0.851 0.626
#> 5 5 0.766 0.710 0.833 0.0704 0.980 0.922
#> 6 6 0.726 0.594 0.768 0.0414 0.930 0.724
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.9286 0.7457 0.344 0.656
#> 01010 1 0.0000 0.8742 1.000 0.000
#> 03002 2 0.8386 0.8247 0.268 0.732
#> 04006 1 0.0000 0.8742 1.000 0.000
#> 04007 2 0.8386 0.8247 0.268 0.732
#> 04008 1 0.0000 0.8742 1.000 0.000
#> 04010 1 0.0000 0.8742 1.000 0.000
#> 04016 2 0.8386 0.8247 0.268 0.732
#> 06002 2 0.9552 0.6961 0.376 0.624
#> 08001 2 0.7674 0.8446 0.224 0.776
#> 08011 2 0.9286 0.7457 0.344 0.656
#> 08012 2 0.8207 0.8315 0.256 0.744
#> 08018 2 0.8267 0.8294 0.260 0.740
#> 08024 2 0.9323 0.7401 0.348 0.652
#> 09008 1 0.0000 0.8742 1.000 0.000
#> 09017 2 0.7674 0.8446 0.224 0.776
#> 11005 2 0.7674 0.8446 0.224 0.776
#> 12006 2 0.8443 0.8217 0.272 0.728
#> 12007 2 0.9000 0.7794 0.316 0.684
#> 12012 2 0.9286 0.7457 0.344 0.656
#> 12019 2 0.9323 0.7401 0.348 0.652
#> 12026 1 0.9954 -0.2760 0.540 0.460
#> 14016 1 0.9954 -0.2760 0.540 0.460
#> 15001 2 0.9552 0.6961 0.376 0.624
#> 15004 2 0.7674 0.8446 0.224 0.776
#> 15005 1 0.0672 0.8670 0.992 0.008
#> 16004 1 0.0000 0.8742 1.000 0.000
#> 16009 1 0.0000 0.8742 1.000 0.000
#> 19005 1 0.7815 0.5294 0.768 0.232
#> 20002 1 0.0000 0.8742 1.000 0.000
#> 22009 2 0.9248 0.7508 0.340 0.660
#> 22010 2 0.7528 0.8434 0.216 0.784
#> 22011 2 0.8386 0.8247 0.268 0.732
#> 22013 2 0.9552 0.6961 0.376 0.624
#> 24001 2 0.8386 0.8247 0.268 0.732
#> 24005 2 0.7674 0.8446 0.224 0.776
#> 24008 2 0.8386 0.8247 0.268 0.732
#> 24010 2 0.8327 0.8271 0.264 0.736
#> 24011 2 0.9323 0.7401 0.348 0.652
#> 24017 1 0.0000 0.8742 1.000 0.000
#> 24018 1 0.7139 0.6053 0.804 0.196
#> 24019 1 0.0000 0.8742 1.000 0.000
#> 24022 2 0.7528 0.8434 0.216 0.784
#> 25003 2 0.8443 0.8217 0.272 0.728
#> 25006 1 0.0000 0.8742 1.000 0.000
#> 26001 1 0.9775 -0.0934 0.588 0.412
#> 26003 2 0.7528 0.8434 0.216 0.784
#> 26005 2 0.9552 0.6961 0.376 0.624
#> 26008 1 0.0000 0.8742 1.000 0.000
#> 27003 2 0.7674 0.8446 0.224 0.776
#> 27004 2 0.7674 0.8446 0.224 0.776
#> 28001 2 0.7674 0.8446 0.224 0.776
#> 28003 2 0.7674 0.8446 0.224 0.776
#> 28005 2 0.7674 0.8446 0.224 0.776
#> 28006 2 0.7674 0.8446 0.224 0.776
#> 28007 2 0.7674 0.8446 0.224 0.776
#> 28019 1 0.0000 0.8742 1.000 0.000
#> 28021 1 0.0000 0.8742 1.000 0.000
#> 28023 2 0.7674 0.8446 0.224 0.776
#> 28024 2 0.7674 0.8446 0.224 0.776
#> 28028 2 0.7528 0.8434 0.216 0.784
#> 28031 2 0.8207 0.8316 0.256 0.744
#> 28032 2 0.7528 0.8434 0.216 0.784
#> 28035 1 0.0000 0.8742 1.000 0.000
#> 28036 2 0.7528 0.8434 0.216 0.784
#> 28037 1 0.0000 0.8742 1.000 0.000
#> 28042 2 0.7528 0.8434 0.216 0.784
#> 28043 2 0.7674 0.8446 0.224 0.776
#> 28044 2 0.7674 0.8446 0.224 0.776
#> 28047 2 0.7674 0.8446 0.224 0.776
#> 30001 1 0.0000 0.8742 1.000 0.000
#> 31007 2 0.7674 0.8446 0.224 0.776
#> 31011 2 0.7674 0.8446 0.224 0.776
#> 33005 1 0.0000 0.8742 1.000 0.000
#> 36001 1 0.0000 0.8742 1.000 0.000
#> 36002 2 0.8386 0.8247 0.268 0.732
#> 37013 2 0.9286 0.7457 0.344 0.656
#> 43001 1 0.9970 -0.3054 0.532 0.468
#> 43004 2 0.8713 0.8043 0.292 0.708
#> 43007 2 0.8207 0.8315 0.256 0.744
#> 43012 2 0.7674 0.8446 0.224 0.776
#> 48001 1 0.0000 0.8742 1.000 0.000
#> 49006 2 0.8443 0.8217 0.272 0.728
#> 57001 2 0.7674 0.8446 0.224 0.776
#> 62001 2 0.7674 0.8446 0.224 0.776
#> 62002 2 0.7674 0.8446 0.224 0.776
#> 62003 2 1.0000 0.4028 0.496 0.504
#> 63001 2 0.7950 0.8387 0.240 0.760
#> 64001 2 0.9286 0.7457 0.344 0.656
#> 64002 1 0.0000 0.8742 1.000 0.000
#> 65005 2 0.8386 0.8247 0.268 0.732
#> 68001 1 0.0000 0.8742 1.000 0.000
#> 68003 2 0.8386 0.8247 0.268 0.732
#> 84004 2 0.7674 0.8446 0.224 0.776
#> LAL5 2 0.7674 0.8446 0.224 0.776
#> 01003 2 0.0000 0.7512 0.000 1.000
#> 01007 2 0.0376 0.7489 0.004 0.996
#> 02020 2 0.0376 0.7489 0.004 0.996
#> 04018 2 0.0376 0.7489 0.004 0.996
#> 09002 2 0.0000 0.7512 0.000 1.000
#> 10005 2 0.0000 0.7512 0.000 1.000
#> 11002 2 0.0000 0.7512 0.000 1.000
#> 12008 2 0.0000 0.7512 0.000 1.000
#> 15006 1 0.7528 0.6473 0.784 0.216
#> 16002 2 0.0000 0.7512 0.000 1.000
#> 16007 2 0.0000 0.7512 0.000 1.000
#> 17003 2 0.7376 0.4904 0.208 0.792
#> 18001 2 0.0000 0.7512 0.000 1.000
#> 19002 2 0.0376 0.7489 0.004 0.996
#> 19008 2 0.0000 0.7512 0.000 1.000
#> 19014 2 0.0376 0.7489 0.004 0.996
#> 19017 2 0.0000 0.7512 0.000 1.000
#> 20005 2 0.0000 0.7512 0.000 1.000
#> 24006 2 0.0376 0.7489 0.004 0.996
#> 26009 1 0.7528 0.6473 0.784 0.216
#> 28008 2 0.0000 0.7512 0.000 1.000
#> 28009 2 0.0376 0.7489 0.004 0.996
#> 31015 2 0.0000 0.7512 0.000 1.000
#> 37001 2 0.0376 0.7489 0.004 0.996
#> 43006 2 0.0000 0.7512 0.000 1.000
#> 43015 2 0.0000 0.7512 0.000 1.000
#> 44001 2 0.0000 0.7512 0.000 1.000
#> 49004 2 0.0000 0.7512 0.000 1.000
#> 56007 2 0.0000 0.7512 0.000 1.000
#> 64005 2 0.0376 0.7489 0.004 0.996
#> 65003 2 0.0000 0.7512 0.000 1.000
#> 83001 2 0.0376 0.7489 0.004 0.996
#> LAL4 2 0.0376 0.7489 0.004 0.996
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0237 0.77052 0.004 0.000 0.996
#> 01010 1 0.0592 0.94191 0.988 0.000 0.012
#> 03002 3 0.0000 0.77053 0.000 0.000 1.000
#> 04006 1 0.0747 0.93937 0.984 0.000 0.016
#> 04007 3 0.0000 0.77053 0.000 0.000 1.000
#> 04008 1 0.1031 0.93862 0.976 0.000 0.024
#> 04010 1 0.0424 0.94154 0.992 0.000 0.008
#> 04016 3 0.0237 0.77052 0.004 0.000 0.996
#> 06002 3 0.0237 0.77052 0.004 0.000 0.996
#> 08001 3 0.0000 0.77053 0.000 0.000 1.000
#> 08011 3 0.0237 0.77052 0.004 0.000 0.996
#> 08012 3 0.0237 0.77052 0.004 0.000 0.996
#> 08018 3 0.0237 0.77052 0.004 0.000 0.996
#> 08024 3 0.0661 0.76674 0.008 0.004 0.988
#> 09008 1 0.0592 0.94008 0.988 0.000 0.012
#> 09017 3 0.0661 0.76810 0.008 0.004 0.988
#> 11005 3 0.0000 0.77053 0.000 0.000 1.000
#> 12006 3 0.0000 0.77053 0.000 0.000 1.000
#> 12007 3 0.0237 0.77052 0.004 0.000 0.996
#> 12012 3 0.0237 0.77052 0.004 0.000 0.996
#> 12019 3 0.0237 0.77052 0.004 0.000 0.996
#> 12026 3 0.0475 0.76953 0.004 0.004 0.992
#> 14016 3 0.0475 0.76953 0.004 0.004 0.992
#> 15001 3 0.0237 0.77052 0.004 0.000 0.996
#> 15004 3 0.6937 0.55783 0.020 0.404 0.576
#> 15005 1 0.6513 -0.00266 0.520 0.004 0.476
#> 16004 1 0.0661 0.93834 0.988 0.008 0.004
#> 16009 1 0.0892 0.94043 0.980 0.000 0.020
#> 19005 1 0.6318 0.46293 0.636 0.008 0.356
#> 20002 1 0.1031 0.93862 0.976 0.000 0.024
#> 22009 3 0.0475 0.76953 0.004 0.004 0.992
#> 22010 3 0.6675 0.56342 0.012 0.404 0.584
#> 22011 3 0.0237 0.77052 0.004 0.000 0.996
#> 22013 3 0.0475 0.76953 0.004 0.004 0.992
#> 24001 3 0.0237 0.77052 0.004 0.000 0.996
#> 24005 3 0.6811 0.56155 0.016 0.404 0.580
#> 24008 3 0.1765 0.74198 0.004 0.040 0.956
#> 24010 3 0.1529 0.74289 0.000 0.040 0.960
#> 24011 3 0.0237 0.77052 0.004 0.000 0.996
#> 24017 1 0.0892 0.94043 0.980 0.000 0.020
#> 24018 1 0.5115 0.69676 0.768 0.004 0.228
#> 24019 1 0.0892 0.94043 0.980 0.000 0.020
#> 24022 3 0.6661 0.56597 0.012 0.400 0.588
#> 25003 3 0.0237 0.77052 0.004 0.000 0.996
#> 25006 1 0.0592 0.94191 0.988 0.000 0.012
#> 26001 3 0.2096 0.73278 0.052 0.004 0.944
#> 26003 3 0.6661 0.56597 0.012 0.400 0.588
#> 26005 3 0.0237 0.77052 0.004 0.000 0.996
#> 26008 1 0.0747 0.93937 0.984 0.000 0.016
#> 27003 3 0.6675 0.56342 0.012 0.404 0.584
#> 27004 3 0.6661 0.56597 0.012 0.400 0.588
#> 28001 3 0.6879 0.54312 0.016 0.428 0.556
#> 28003 3 0.6811 0.56009 0.016 0.404 0.580
#> 28005 3 0.6661 0.56597 0.012 0.400 0.588
#> 28006 3 0.6771 0.53067 0.012 0.440 0.548
#> 28007 3 0.6661 0.56597 0.012 0.400 0.588
#> 28019 1 0.0592 0.94008 0.988 0.000 0.012
#> 28021 1 0.0592 0.94008 0.988 0.000 0.012
#> 28023 3 0.6798 0.56282 0.016 0.400 0.584
#> 28024 3 0.6661 0.56597 0.012 0.400 0.588
#> 28028 3 0.6811 0.56155 0.016 0.404 0.580
#> 28031 3 0.6811 0.56009 0.016 0.404 0.580
#> 28032 3 0.6811 0.56155 0.016 0.404 0.580
#> 28035 1 0.0592 0.94008 0.988 0.000 0.012
#> 28036 3 0.6661 0.56597 0.012 0.400 0.588
#> 28037 1 0.0592 0.94008 0.988 0.000 0.012
#> 28042 3 0.6661 0.56597 0.012 0.400 0.588
#> 28043 3 0.6661 0.56597 0.012 0.400 0.588
#> 28044 3 0.6811 0.56009 0.016 0.404 0.580
#> 28047 3 0.6675 0.56512 0.012 0.404 0.584
#> 30001 1 0.0424 0.94154 0.992 0.000 0.008
#> 31007 3 0.7043 0.51670 0.020 0.448 0.532
#> 31011 3 0.6661 0.56597 0.012 0.400 0.588
#> 33005 1 0.0424 0.94154 0.992 0.000 0.008
#> 36001 1 0.0424 0.94154 0.992 0.000 0.008
#> 36002 3 0.0000 0.77053 0.000 0.000 1.000
#> 37013 3 0.0475 0.76953 0.004 0.004 0.992
#> 43001 3 0.0475 0.76953 0.004 0.004 0.992
#> 43004 3 0.6783 0.56854 0.016 0.396 0.588
#> 43007 3 0.0000 0.77053 0.000 0.000 1.000
#> 43012 3 0.6811 0.56009 0.016 0.404 0.580
#> 48001 1 0.0661 0.94063 0.988 0.004 0.008
#> 49006 3 0.0237 0.77052 0.004 0.000 0.996
#> 57001 3 0.6675 0.56342 0.012 0.404 0.584
#> 62001 3 0.6811 0.56009 0.016 0.404 0.580
#> 62002 3 0.6675 0.56342 0.012 0.404 0.584
#> 62003 3 0.0475 0.76953 0.004 0.004 0.992
#> 63001 3 0.2063 0.73776 0.008 0.044 0.948
#> 64001 3 0.0237 0.77052 0.004 0.000 0.996
#> 64002 1 0.0892 0.94043 0.980 0.000 0.020
#> 65005 3 0.0237 0.77052 0.004 0.000 0.996
#> 68001 1 0.0892 0.94043 0.980 0.000 0.020
#> 68003 3 0.0000 0.77053 0.000 0.000 1.000
#> 84004 3 0.0000 0.77053 0.000 0.000 1.000
#> LAL5 3 0.6661 0.56597 0.012 0.400 0.588
#> 01003 2 0.1878 0.96170 0.004 0.952 0.044
#> 01007 2 0.1878 0.96170 0.004 0.952 0.044
#> 02020 2 0.1643 0.96129 0.000 0.956 0.044
#> 04018 2 0.1878 0.96170 0.004 0.952 0.044
#> 09002 2 0.1989 0.95990 0.004 0.948 0.048
#> 10005 2 0.5621 0.48521 0.000 0.692 0.308
#> 11002 2 0.0424 0.93193 0.000 0.992 0.008
#> 12008 2 0.4974 0.68102 0.000 0.764 0.236
#> 15006 1 0.1163 0.92078 0.972 0.028 0.000
#> 16002 2 0.1878 0.96170 0.004 0.952 0.044
#> 16007 2 0.1989 0.95990 0.004 0.948 0.048
#> 17003 2 0.1411 0.95722 0.000 0.964 0.036
#> 18001 2 0.1753 0.95965 0.000 0.952 0.048
#> 19002 2 0.1878 0.96170 0.004 0.952 0.044
#> 19008 2 0.0424 0.93193 0.000 0.992 0.008
#> 19014 2 0.1643 0.96129 0.000 0.956 0.044
#> 19017 2 0.0424 0.93193 0.000 0.992 0.008
#> 20005 2 0.1753 0.95965 0.000 0.952 0.048
#> 24006 2 0.1878 0.96170 0.004 0.952 0.044
#> 26009 1 0.1163 0.92078 0.972 0.028 0.000
#> 28008 2 0.0424 0.93193 0.000 0.992 0.008
#> 28009 2 0.1878 0.96170 0.004 0.952 0.044
#> 31015 2 0.0237 0.93138 0.000 0.996 0.004
#> 37001 2 0.1878 0.96170 0.004 0.952 0.044
#> 43006 2 0.1753 0.95965 0.000 0.952 0.048
#> 43015 2 0.1643 0.96129 0.000 0.956 0.044
#> 44001 2 0.0475 0.93161 0.004 0.992 0.004
#> 49004 2 0.1989 0.95990 0.004 0.948 0.048
#> 56007 2 0.1878 0.96170 0.004 0.952 0.044
#> 64005 2 0.1878 0.96170 0.004 0.952 0.044
#> 65003 2 0.1878 0.96170 0.004 0.952 0.044
#> 83001 2 0.1643 0.96129 0.000 0.956 0.044
#> LAL4 2 0.1643 0.96129 0.000 0.956 0.044
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 01010 1 0.0469 0.9309 0.988 0.000 0.000 0.012
#> 03002 3 0.0188 0.9360 0.000 0.000 0.996 0.004
#> 04006 1 0.0188 0.9300 0.996 0.000 0.004 0.000
#> 04007 3 0.0188 0.9360 0.000 0.000 0.996 0.004
#> 04008 1 0.4072 0.6770 0.748 0.000 0.252 0.000
#> 04010 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 04016 3 0.0336 0.9356 0.000 0.000 0.992 0.008
#> 06002 3 0.0657 0.9351 0.004 0.000 0.984 0.012
#> 08001 3 0.4933 0.0360 0.000 0.000 0.568 0.432
#> 08011 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 08012 3 0.0188 0.9359 0.000 0.000 0.996 0.004
#> 08018 3 0.1940 0.8842 0.000 0.000 0.924 0.076
#> 08024 3 0.0469 0.9359 0.000 0.000 0.988 0.012
#> 09008 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 09017 4 0.5793 0.6188 0.000 0.048 0.324 0.628
#> 11005 3 0.4454 0.4505 0.000 0.000 0.692 0.308
#> 12006 3 0.1211 0.9281 0.000 0.000 0.960 0.040
#> 12007 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 12012 3 0.0336 0.9362 0.000 0.000 0.992 0.008
#> 12019 3 0.0336 0.9362 0.000 0.000 0.992 0.008
#> 12026 3 0.1575 0.9226 0.004 0.012 0.956 0.028
#> 14016 3 0.1575 0.9226 0.004 0.012 0.956 0.028
#> 15001 3 0.0188 0.9359 0.000 0.000 0.996 0.004
#> 15004 4 0.4651 0.9469 0.004 0.080 0.112 0.804
#> 15005 1 0.6808 0.5978 0.644 0.048 0.248 0.060
#> 16004 1 0.2586 0.8955 0.912 0.040 0.000 0.048
#> 16009 1 0.0376 0.9311 0.992 0.000 0.004 0.004
#> 19005 1 0.7326 0.2008 0.484 0.048 0.416 0.052
#> 20002 1 0.1867 0.8885 0.928 0.000 0.072 0.000
#> 22009 3 0.1488 0.9241 0.000 0.012 0.956 0.032
#> 22010 4 0.4718 0.9227 0.000 0.116 0.092 0.792
#> 22011 3 0.0336 0.9356 0.000 0.000 0.992 0.008
#> 22013 3 0.1004 0.9296 0.004 0.000 0.972 0.024
#> 24001 3 0.0336 0.9356 0.000 0.000 0.992 0.008
#> 24005 4 0.4145 0.9424 0.004 0.044 0.124 0.828
#> 24008 3 0.2871 0.8687 0.000 0.032 0.896 0.072
#> 24010 3 0.3128 0.8606 0.000 0.040 0.884 0.076
#> 24011 3 0.0336 0.9362 0.000 0.000 0.992 0.008
#> 24017 1 0.0376 0.9311 0.992 0.000 0.004 0.004
#> 24018 1 0.5714 0.7555 0.752 0.048 0.152 0.048
#> 24019 1 0.0376 0.9311 0.992 0.000 0.004 0.004
#> 24022 4 0.4259 0.9488 0.000 0.056 0.128 0.816
#> 25003 3 0.0336 0.9362 0.000 0.000 0.992 0.008
#> 25006 1 0.0336 0.9308 0.992 0.000 0.000 0.008
#> 26001 3 0.1733 0.9152 0.024 0.000 0.948 0.028
#> 26003 4 0.4259 0.9488 0.000 0.056 0.128 0.816
#> 26005 3 0.0336 0.9362 0.000 0.000 0.992 0.008
#> 26008 1 0.0188 0.9300 0.996 0.000 0.004 0.000
#> 27003 4 0.4718 0.9323 0.000 0.092 0.116 0.792
#> 27004 4 0.4259 0.9488 0.000 0.056 0.128 0.816
#> 28001 4 0.4840 0.8264 0.000 0.100 0.116 0.784
#> 28003 4 0.4662 0.9438 0.000 0.092 0.112 0.796
#> 28005 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 28006 4 0.3754 0.8744 0.000 0.064 0.084 0.852
#> 28007 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 28019 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 28021 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 28023 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 28024 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 28028 4 0.4277 0.9457 0.004 0.056 0.116 0.824
#> 28031 4 0.4655 0.9444 0.000 0.088 0.116 0.796
#> 28032 4 0.4277 0.9457 0.004 0.056 0.116 0.824
#> 28035 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 28036 4 0.4259 0.9488 0.000 0.056 0.128 0.816
#> 28037 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 28042 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 28043 4 0.4259 0.9488 0.000 0.056 0.128 0.816
#> 28044 4 0.4655 0.9426 0.000 0.088 0.116 0.796
#> 28047 4 0.4205 0.9490 0.000 0.056 0.124 0.820
#> 30001 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 31007 4 0.4313 0.8583 0.004 0.108 0.064 0.824
#> 31011 4 0.4700 0.9464 0.000 0.084 0.124 0.792
#> 33005 1 0.0921 0.9314 0.972 0.000 0.000 0.028
#> 36001 1 0.1256 0.9286 0.964 0.008 0.000 0.028
#> 36002 3 0.1302 0.9090 0.000 0.000 0.956 0.044
#> 37013 3 0.1388 0.9241 0.000 0.012 0.960 0.028
#> 43001 3 0.1674 0.9227 0.004 0.012 0.952 0.032
#> 43004 4 0.4458 0.9230 0.000 0.076 0.116 0.808
#> 43007 3 0.0188 0.9360 0.000 0.000 0.996 0.004
#> 43012 4 0.4655 0.9463 0.000 0.088 0.116 0.796
#> 48001 1 0.2759 0.8949 0.904 0.044 0.000 0.052
#> 49006 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 57001 4 0.4764 0.9468 0.000 0.088 0.124 0.788
#> 62001 4 0.4513 0.9409 0.000 0.076 0.120 0.804
#> 62002 4 0.4718 0.9323 0.000 0.092 0.116 0.792
#> 62003 3 0.2585 0.8900 0.004 0.048 0.916 0.032
#> 63001 3 0.3382 0.8528 0.004 0.040 0.876 0.080
#> 64001 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 64002 1 0.0376 0.9311 0.992 0.000 0.004 0.004
#> 65005 3 0.0000 0.9364 0.000 0.000 1.000 0.000
#> 68001 1 0.0376 0.9311 0.992 0.000 0.004 0.004
#> 68003 3 0.0336 0.9342 0.000 0.000 0.992 0.008
#> 84004 3 0.4967 -0.0269 0.000 0.000 0.548 0.452
#> LAL5 4 0.4700 0.9479 0.000 0.084 0.124 0.792
#> 01003 2 0.1867 0.9444 0.000 0.928 0.000 0.072
#> 01007 2 0.1576 0.9431 0.004 0.948 0.000 0.048
#> 02020 2 0.2266 0.9364 0.004 0.912 0.000 0.084
#> 04018 2 0.1743 0.9433 0.004 0.940 0.000 0.056
#> 09002 2 0.2530 0.9388 0.000 0.888 0.000 0.112
#> 10005 2 0.4244 0.8555 0.000 0.804 0.036 0.160
#> 11002 2 0.3311 0.8828 0.000 0.828 0.000 0.172
#> 12008 2 0.2821 0.8799 0.004 0.900 0.076 0.020
#> 15006 1 0.1118 0.9142 0.964 0.036 0.000 0.000
#> 16002 2 0.2530 0.9388 0.000 0.888 0.000 0.112
#> 16007 2 0.2530 0.9388 0.000 0.888 0.000 0.112
#> 17003 2 0.1824 0.9111 0.004 0.936 0.000 0.060
#> 18001 2 0.2973 0.9350 0.000 0.856 0.000 0.144
#> 19002 2 0.1398 0.9418 0.004 0.956 0.000 0.040
#> 19008 2 0.2589 0.9387 0.000 0.884 0.000 0.116
#> 19014 2 0.2053 0.9413 0.004 0.924 0.000 0.072
#> 19017 2 0.2647 0.9144 0.000 0.880 0.000 0.120
#> 20005 2 0.2921 0.9355 0.000 0.860 0.000 0.140
#> 24006 2 0.1398 0.9418 0.004 0.956 0.000 0.040
#> 26009 1 0.1118 0.9142 0.964 0.036 0.000 0.000
#> 28008 2 0.3219 0.8868 0.000 0.836 0.000 0.164
#> 28009 2 0.1576 0.9431 0.004 0.948 0.000 0.048
#> 31015 2 0.1940 0.9323 0.000 0.924 0.000 0.076
#> 37001 2 0.1398 0.9418 0.004 0.956 0.000 0.040
#> 43006 2 0.2589 0.9387 0.000 0.884 0.000 0.116
#> 43015 2 0.2530 0.9445 0.004 0.896 0.000 0.100
#> 44001 2 0.0524 0.9347 0.004 0.988 0.000 0.008
#> 49004 2 0.2530 0.9388 0.000 0.888 0.000 0.112
#> 56007 2 0.2530 0.9388 0.000 0.888 0.000 0.112
#> 64005 2 0.1576 0.9406 0.004 0.948 0.000 0.048
#> 65003 2 0.1576 0.9431 0.004 0.948 0.000 0.048
#> 83001 2 0.2053 0.9413 0.004 0.924 0.000 0.072
#> LAL4 2 0.2053 0.9413 0.004 0.924 0.000 0.072
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0162 0.8315 0.000 0.000 0.996 0.000 0.004
#> 01010 1 0.1205 0.7330 0.956 0.000 0.004 0.000 0.040
#> 03002 3 0.3123 0.7743 0.000 0.000 0.812 0.004 0.184
#> 04006 1 0.0290 0.7328 0.992 0.000 0.000 0.000 0.008
#> 04007 3 0.3355 0.7896 0.000 0.000 0.832 0.036 0.132
#> 04008 1 0.4653 -0.2825 0.516 0.000 0.472 0.000 0.012
#> 04010 1 0.2462 0.7148 0.880 0.000 0.000 0.008 0.112
#> 04016 3 0.2351 0.8198 0.000 0.000 0.896 0.016 0.088
#> 06002 3 0.0510 0.8291 0.000 0.000 0.984 0.000 0.016
#> 08001 4 0.6128 0.4379 0.000 0.000 0.232 0.564 0.204
#> 08011 3 0.0162 0.8315 0.000 0.000 0.996 0.000 0.004
#> 08012 3 0.2654 0.8156 0.000 0.000 0.884 0.032 0.084
#> 08018 3 0.2482 0.7801 0.000 0.000 0.892 0.084 0.024
#> 08024 3 0.0510 0.8291 0.000 0.000 0.984 0.000 0.016
#> 09008 1 0.3093 0.6698 0.824 0.000 0.000 0.008 0.168
#> 09017 4 0.7255 0.2852 0.000 0.048 0.156 0.420 0.376
#> 11005 3 0.6499 0.0721 0.000 0.000 0.440 0.368 0.192
#> 12006 3 0.4777 0.6164 0.000 0.000 0.664 0.044 0.292
#> 12007 3 0.0162 0.8315 0.000 0.000 0.996 0.000 0.004
#> 12012 3 0.1121 0.8306 0.000 0.000 0.956 0.000 0.044
#> 12019 3 0.0404 0.8297 0.000 0.000 0.988 0.000 0.012
#> 12026 3 0.3087 0.7501 0.004 0.004 0.852 0.012 0.128
#> 14016 3 0.3578 0.7329 0.004 0.004 0.812 0.016 0.164
#> 15001 3 0.0404 0.8297 0.000 0.000 0.988 0.000 0.012
#> 15004 4 0.3511 0.7933 0.004 0.024 0.020 0.848 0.104
#> 15005 5 0.8220 0.0000 0.352 0.036 0.188 0.052 0.372
#> 16004 1 0.5001 0.2700 0.712 0.052 0.000 0.020 0.216
#> 16009 1 0.0451 0.7336 0.988 0.000 0.004 0.000 0.008
#> 19005 1 0.8417 -0.6703 0.348 0.048 0.300 0.040 0.264
#> 20002 1 0.3550 0.3431 0.796 0.000 0.184 0.000 0.020
#> 22009 3 0.2873 0.7529 0.000 0.000 0.856 0.016 0.128
#> 22010 4 0.6108 0.5252 0.000 0.164 0.012 0.608 0.216
#> 22011 3 0.2351 0.8198 0.000 0.000 0.896 0.016 0.088
#> 22013 3 0.1764 0.8237 0.000 0.000 0.928 0.008 0.064
#> 24001 3 0.2351 0.8198 0.000 0.000 0.896 0.016 0.088
#> 24005 4 0.3289 0.7864 0.004 0.008 0.028 0.856 0.104
#> 24008 3 0.3333 0.6982 0.000 0.004 0.788 0.000 0.208
#> 24010 3 0.4871 0.5231 0.000 0.004 0.604 0.024 0.368
#> 24011 3 0.0510 0.8291 0.000 0.000 0.984 0.000 0.016
#> 24017 1 0.0162 0.7340 0.996 0.000 0.004 0.000 0.000
#> 24018 1 0.7637 -0.5537 0.512 0.060 0.100 0.040 0.288
#> 24019 1 0.0451 0.7336 0.988 0.000 0.004 0.000 0.008
#> 24022 4 0.3107 0.8026 0.000 0.008 0.032 0.864 0.096
#> 25003 3 0.2280 0.8173 0.000 0.000 0.880 0.000 0.120
#> 25006 1 0.0451 0.7336 0.988 0.000 0.004 0.000 0.008
#> 26001 3 0.1186 0.8217 0.008 0.000 0.964 0.008 0.020
#> 26003 4 0.3161 0.8015 0.000 0.008 0.032 0.860 0.100
#> 26005 3 0.0404 0.8297 0.000 0.000 0.988 0.000 0.012
#> 26008 1 0.0290 0.7328 0.992 0.000 0.000 0.000 0.008
#> 27003 4 0.5305 0.6742 0.000 0.052 0.024 0.676 0.248
#> 27004 4 0.3052 0.8033 0.000 0.008 0.032 0.868 0.092
#> 28001 4 0.5705 0.4440 0.000 0.036 0.024 0.488 0.452
#> 28003 4 0.3585 0.7804 0.000 0.052 0.016 0.844 0.088
#> 28005 4 0.2201 0.8088 0.000 0.008 0.032 0.920 0.040
#> 28006 4 0.4405 0.6646 0.000 0.004 0.020 0.696 0.280
#> 28007 4 0.1954 0.8079 0.000 0.008 0.032 0.932 0.028
#> 28019 1 0.2660 0.7074 0.864 0.000 0.000 0.008 0.128
#> 28021 1 0.2909 0.6959 0.848 0.000 0.000 0.012 0.140
#> 28023 4 0.1869 0.8075 0.000 0.008 0.028 0.936 0.028
#> 28024 4 0.1954 0.8079 0.000 0.008 0.032 0.932 0.028
#> 28028 4 0.3013 0.7932 0.004 0.008 0.028 0.876 0.084
#> 28031 4 0.3519 0.7810 0.000 0.040 0.020 0.848 0.092
#> 28032 4 0.2954 0.7935 0.004 0.008 0.028 0.880 0.080
#> 28035 1 0.3011 0.6929 0.844 0.000 0.000 0.016 0.140
#> 28036 4 0.3052 0.8033 0.000 0.008 0.032 0.868 0.092
#> 28037 1 0.2707 0.7046 0.860 0.000 0.000 0.008 0.132
#> 28042 4 0.1673 0.8090 0.000 0.008 0.032 0.944 0.016
#> 28043 4 0.3052 0.8033 0.000 0.008 0.032 0.868 0.092
#> 28044 4 0.4191 0.7804 0.000 0.040 0.020 0.792 0.148
#> 28047 4 0.1673 0.8090 0.000 0.008 0.032 0.944 0.016
#> 30001 1 0.2513 0.7134 0.876 0.000 0.000 0.008 0.116
#> 31007 4 0.5489 0.4618 0.004 0.032 0.012 0.540 0.412
#> 31011 4 0.3554 0.7998 0.000 0.020 0.024 0.836 0.120
#> 33005 1 0.2304 0.7196 0.892 0.000 0.000 0.008 0.100
#> 36001 1 0.3312 0.6671 0.832 0.012 0.004 0.004 0.148
#> 36002 3 0.5396 0.5875 0.000 0.000 0.656 0.124 0.220
#> 37013 3 0.4335 0.6899 0.000 0.004 0.708 0.020 0.268
#> 43001 3 0.4142 0.6968 0.000 0.004 0.728 0.016 0.252
#> 43004 4 0.5251 0.6648 0.000 0.048 0.020 0.668 0.264
#> 43007 3 0.1830 0.8251 0.000 0.000 0.924 0.008 0.068
#> 43012 4 0.3106 0.7964 0.000 0.028 0.020 0.872 0.080
#> 48001 1 0.5679 0.0991 0.640 0.056 0.004 0.024 0.276
#> 49006 3 0.1671 0.8274 0.000 0.000 0.924 0.000 0.076
#> 57001 4 0.3368 0.8039 0.000 0.028 0.032 0.860 0.080
#> 62001 4 0.4062 0.7827 0.000 0.040 0.020 0.804 0.136
#> 62002 4 0.5135 0.7366 0.000 0.048 0.024 0.696 0.232
#> 62003 3 0.5587 0.4850 0.000 0.048 0.664 0.044 0.244
#> 63001 3 0.4554 0.5561 0.004 0.004 0.680 0.016 0.296
#> 64001 3 0.0162 0.8315 0.000 0.000 0.996 0.000 0.004
#> 64002 1 0.0451 0.7336 0.988 0.000 0.004 0.000 0.008
#> 65005 3 0.0963 0.8322 0.000 0.000 0.964 0.000 0.036
#> 68001 1 0.0451 0.7336 0.988 0.000 0.004 0.000 0.008
#> 68003 3 0.4618 0.6826 0.000 0.000 0.724 0.068 0.208
#> 84004 4 0.6026 0.4585 0.000 0.000 0.228 0.580 0.192
#> LAL5 4 0.3184 0.8060 0.000 0.028 0.032 0.872 0.068
#> 01003 2 0.1310 0.8791 0.000 0.956 0.000 0.020 0.024
#> 01007 2 0.0162 0.8744 0.000 0.996 0.000 0.004 0.000
#> 02020 2 0.2351 0.8499 0.000 0.896 0.000 0.016 0.088
#> 04018 2 0.0609 0.8761 0.000 0.980 0.000 0.020 0.000
#> 09002 2 0.3953 0.8533 0.000 0.792 0.000 0.060 0.148
#> 10005 2 0.5354 0.6697 0.000 0.548 0.028 0.016 0.408
#> 11002 2 0.4717 0.7130 0.000 0.584 0.000 0.020 0.396
#> 12008 2 0.1686 0.8760 0.000 0.944 0.020 0.008 0.028
#> 15006 1 0.1809 0.6857 0.928 0.060 0.000 0.000 0.012
#> 16002 2 0.3953 0.8533 0.000 0.792 0.000 0.060 0.148
#> 16007 2 0.3911 0.8538 0.000 0.796 0.000 0.060 0.144
#> 17003 2 0.3476 0.7456 0.000 0.804 0.000 0.020 0.176
#> 18001 2 0.4522 0.8443 0.000 0.736 0.000 0.068 0.196
#> 19002 2 0.0451 0.8721 0.000 0.988 0.000 0.004 0.008
#> 19008 2 0.3904 0.8540 0.000 0.792 0.000 0.052 0.156
#> 19014 2 0.2110 0.8608 0.000 0.912 0.000 0.016 0.072
#> 19017 2 0.4029 0.8431 0.000 0.744 0.000 0.024 0.232
#> 20005 2 0.4522 0.8443 0.000 0.736 0.000 0.068 0.196
#> 24006 2 0.0451 0.8721 0.000 0.988 0.000 0.004 0.008
#> 26009 1 0.1809 0.6857 0.928 0.060 0.000 0.000 0.012
#> 28008 2 0.4686 0.7226 0.000 0.596 0.000 0.020 0.384
#> 28009 2 0.0451 0.8740 0.000 0.988 0.000 0.008 0.004
#> 31015 2 0.3055 0.8693 0.000 0.840 0.000 0.016 0.144
#> 37001 2 0.0451 0.8721 0.000 0.988 0.000 0.004 0.008
#> 43006 2 0.3995 0.8521 0.000 0.788 0.000 0.060 0.152
#> 43015 2 0.2491 0.8752 0.000 0.896 0.000 0.036 0.068
#> 44001 2 0.0880 0.8780 0.000 0.968 0.000 0.000 0.032
#> 49004 2 0.3953 0.8533 0.000 0.792 0.000 0.060 0.148
#> 56007 2 0.3911 0.8538 0.000 0.796 0.000 0.060 0.144
#> 64005 2 0.0579 0.8707 0.000 0.984 0.000 0.008 0.008
#> 65003 2 0.0451 0.8740 0.000 0.988 0.000 0.008 0.004
#> 83001 2 0.1809 0.8663 0.000 0.928 0.000 0.012 0.060
#> LAL4 2 0.2006 0.8627 0.000 0.916 0.000 0.012 0.072
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0291 0.71723 0.000 0.000 0.992 0.000 0.004 0.004
#> 01010 1 0.1921 0.84954 0.916 0.000 0.000 0.000 0.052 0.032
#> 03002 3 0.5376 0.50646 0.000 0.000 0.656 0.044 0.204 0.096
#> 04006 1 0.0146 0.84832 0.996 0.000 0.000 0.000 0.004 0.000
#> 04007 3 0.5610 0.53956 0.000 0.000 0.664 0.112 0.128 0.096
#> 04008 3 0.4640 0.18446 0.376 0.000 0.576 0.000 0.048 0.000
#> 04010 1 0.3225 0.83505 0.828 0.000 0.000 0.000 0.092 0.080
#> 04016 3 0.4595 0.63170 0.000 0.000 0.752 0.052 0.100 0.096
#> 06002 3 0.1411 0.70300 0.000 0.000 0.936 0.004 0.060 0.000
#> 08001 4 0.6841 0.25320 0.000 0.000 0.200 0.500 0.192 0.108
#> 08011 3 0.0146 0.71701 0.000 0.000 0.996 0.000 0.000 0.004
#> 08012 3 0.4855 0.61715 0.000 0.000 0.732 0.064 0.104 0.100
#> 08018 3 0.3241 0.61901 0.000 0.000 0.836 0.108 0.044 0.012
#> 08024 3 0.1219 0.70726 0.000 0.000 0.948 0.004 0.048 0.000
#> 09008 1 0.4702 0.73967 0.680 0.000 0.000 0.004 0.220 0.096
#> 09017 5 0.6057 0.23940 0.000 0.004 0.132 0.240 0.580 0.044
#> 11005 3 0.7098 0.02741 0.000 0.000 0.368 0.352 0.184 0.096
#> 12006 5 0.5322 0.00997 0.000 0.000 0.424 0.024 0.500 0.052
#> 12007 3 0.0508 0.71773 0.000 0.000 0.984 0.000 0.012 0.004
#> 12012 3 0.1387 0.70406 0.000 0.000 0.932 0.000 0.068 0.000
#> 12019 3 0.1333 0.71482 0.000 0.000 0.944 0.000 0.048 0.008
#> 12026 3 0.3309 0.44814 0.000 0.000 0.720 0.000 0.280 0.000
#> 14016 3 0.3592 0.32661 0.000 0.000 0.656 0.000 0.344 0.000
#> 15001 3 0.0935 0.71196 0.000 0.000 0.964 0.004 0.032 0.000
#> 15004 4 0.3996 0.72512 0.000 0.000 0.008 0.776 0.104 0.112
#> 15005 5 0.5922 0.37514 0.196 0.004 0.092 0.012 0.640 0.056
#> 16004 1 0.4876 0.30429 0.560 0.004 0.000 0.004 0.388 0.044
#> 16009 1 0.0146 0.84832 0.996 0.000 0.000 0.000 0.004 0.000
#> 19005 5 0.6779 0.40179 0.196 0.004 0.184 0.012 0.540 0.064
#> 20002 1 0.4044 0.47580 0.704 0.000 0.256 0.000 0.040 0.000
#> 22009 3 0.3383 0.46936 0.000 0.000 0.728 0.004 0.268 0.000
#> 22010 5 0.6801 0.01751 0.000 0.168 0.004 0.308 0.456 0.064
#> 22011 3 0.4639 0.62879 0.000 0.000 0.748 0.052 0.104 0.096
#> 22013 3 0.1910 0.68046 0.000 0.000 0.892 0.000 0.108 0.000
#> 24001 3 0.4595 0.62894 0.000 0.000 0.752 0.052 0.100 0.096
#> 24005 4 0.3718 0.68054 0.000 0.000 0.008 0.796 0.068 0.128
#> 24008 3 0.4420 0.47118 0.000 0.000 0.640 0.004 0.036 0.320
#> 24010 6 0.6467 -0.25245 0.000 0.000 0.388 0.032 0.188 0.392
#> 24011 3 0.0865 0.71103 0.000 0.000 0.964 0.000 0.036 0.000
#> 24017 1 0.0622 0.85075 0.980 0.000 0.000 0.000 0.012 0.008
#> 24018 5 0.5642 0.24231 0.296 0.012 0.060 0.004 0.600 0.028
#> 24019 1 0.0000 0.84925 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3024 0.74707 0.000 0.000 0.016 0.856 0.088 0.040
#> 25003 3 0.3923 0.62236 0.000 0.000 0.748 0.000 0.192 0.060
#> 25006 1 0.0000 0.84925 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.1858 0.68566 0.004 0.000 0.904 0.000 0.092 0.000
#> 26003 4 0.3075 0.74503 0.000 0.000 0.016 0.852 0.092 0.040
#> 26005 3 0.0865 0.71103 0.000 0.000 0.964 0.000 0.036 0.000
#> 26008 1 0.0146 0.84832 0.996 0.000 0.000 0.000 0.004 0.000
#> 27003 4 0.5456 0.36227 0.000 0.004 0.016 0.488 0.428 0.064
#> 27004 4 0.2724 0.75561 0.000 0.000 0.016 0.876 0.076 0.032
#> 28001 6 0.6442 -0.02638 0.000 0.000 0.016 0.268 0.348 0.368
#> 28003 4 0.4292 0.69671 0.000 0.008 0.008 0.748 0.176 0.060
#> 28005 4 0.1078 0.76896 0.000 0.000 0.012 0.964 0.016 0.008
#> 28006 4 0.5378 0.31338 0.000 0.000 0.012 0.516 0.080 0.392
#> 28007 4 0.0984 0.76537 0.000 0.000 0.012 0.968 0.008 0.012
#> 28019 1 0.3955 0.81699 0.772 0.000 0.000 0.004 0.132 0.092
#> 28021 1 0.4225 0.80645 0.752 0.000 0.000 0.008 0.144 0.096
#> 28023 4 0.2806 0.75939 0.000 0.000 0.012 0.872 0.060 0.056
#> 28024 4 0.0984 0.76537 0.000 0.000 0.012 0.968 0.008 0.012
#> 28028 4 0.2833 0.72145 0.000 0.000 0.008 0.864 0.040 0.088
#> 28031 4 0.4088 0.71167 0.000 0.004 0.012 0.768 0.160 0.056
#> 28032 4 0.2763 0.72423 0.000 0.000 0.008 0.868 0.036 0.088
#> 28035 1 0.4321 0.80407 0.748 0.000 0.000 0.012 0.144 0.096
#> 28036 4 0.2797 0.75436 0.000 0.000 0.016 0.872 0.076 0.036
#> 28037 1 0.3955 0.81699 0.772 0.000 0.000 0.004 0.132 0.092
#> 28042 4 0.2422 0.76460 0.000 0.000 0.012 0.896 0.040 0.052
#> 28043 4 0.2724 0.75382 0.000 0.000 0.016 0.876 0.076 0.032
#> 28044 4 0.4886 0.68775 0.000 0.004 0.016 0.672 0.244 0.064
#> 28047 4 0.2422 0.76463 0.000 0.000 0.012 0.896 0.040 0.052
#> 30001 1 0.3514 0.82884 0.804 0.000 0.000 0.000 0.108 0.088
#> 31007 6 0.6095 -0.03273 0.000 0.000 0.004 0.332 0.236 0.428
#> 31011 4 0.4467 0.71253 0.000 0.000 0.016 0.712 0.216 0.056
#> 33005 1 0.3072 0.83802 0.840 0.000 0.000 0.000 0.084 0.076
#> 36001 1 0.4341 0.75186 0.712 0.004 0.000 0.000 0.216 0.068
#> 36002 3 0.7155 0.14150 0.000 0.000 0.416 0.212 0.268 0.104
#> 37013 5 0.4504 0.03812 0.000 0.000 0.432 0.004 0.540 0.024
#> 43001 5 0.3991 -0.02929 0.000 0.000 0.472 0.000 0.524 0.004
#> 43004 5 0.5412 -0.34527 0.000 0.004 0.016 0.432 0.488 0.060
#> 43007 3 0.3969 0.65552 0.000 0.000 0.800 0.040 0.084 0.076
#> 43012 4 0.3429 0.74654 0.000 0.000 0.012 0.824 0.108 0.056
#> 48001 5 0.4807 -0.19924 0.428 0.004 0.000 0.000 0.524 0.044
#> 49006 3 0.2474 0.68934 0.000 0.000 0.880 0.000 0.080 0.040
#> 57001 4 0.3822 0.74517 0.000 0.000 0.012 0.788 0.140 0.060
#> 62001 4 0.5052 0.66045 0.000 0.004 0.016 0.640 0.276 0.064
#> 62002 4 0.5242 0.49467 0.000 0.004 0.016 0.548 0.380 0.052
#> 62003 5 0.4114 0.10427 0.000 0.004 0.460 0.000 0.532 0.004
#> 63001 3 0.5498 0.16801 0.000 0.000 0.456 0.028 0.060 0.456
#> 64001 3 0.0146 0.71701 0.000 0.000 0.996 0.000 0.000 0.004
#> 64002 1 0.0000 0.84925 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0520 0.71721 0.000 0.000 0.984 0.000 0.008 0.008
#> 68001 1 0.0000 0.84925 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 3 0.6948 0.20731 0.000 0.000 0.452 0.176 0.276 0.096
#> 84004 4 0.6903 0.23717 0.000 0.000 0.208 0.492 0.184 0.116
#> LAL5 4 0.3442 0.75760 0.000 0.000 0.012 0.824 0.104 0.060
#> 01003 2 0.1405 0.80557 0.000 0.948 0.000 0.004 0.024 0.024
#> 01007 2 0.0603 0.80461 0.000 0.980 0.000 0.004 0.016 0.000
#> 02020 2 0.3396 0.74286 0.000 0.812 0.000 0.000 0.072 0.116
#> 04018 2 0.0972 0.80456 0.000 0.964 0.000 0.008 0.028 0.000
#> 09002 2 0.4277 0.72817 0.000 0.740 0.000 0.008 0.080 0.172
#> 10005 6 0.4705 0.24028 0.000 0.248 0.048 0.008 0.012 0.684
#> 11002 6 0.4004 0.07333 0.000 0.328 0.000 0.012 0.004 0.656
#> 12008 2 0.2635 0.80426 0.000 0.880 0.004 0.004 0.076 0.036
#> 15006 1 0.2099 0.79248 0.904 0.080 0.000 0.004 0.008 0.004
#> 16002 2 0.3965 0.73940 0.000 0.764 0.000 0.004 0.072 0.160
#> 16007 2 0.4073 0.73529 0.000 0.760 0.000 0.008 0.072 0.160
#> 17003 2 0.5066 0.41178 0.000 0.608 0.000 0.000 0.276 0.116
#> 18001 2 0.4839 0.67652 0.000 0.624 0.000 0.004 0.072 0.300
#> 19002 2 0.0508 0.79930 0.000 0.984 0.000 0.004 0.000 0.012
#> 19008 2 0.4450 0.72127 0.000 0.720 0.000 0.008 0.084 0.188
#> 19014 2 0.3285 0.74878 0.000 0.820 0.000 0.000 0.064 0.116
#> 19017 2 0.4993 0.65785 0.000 0.600 0.000 0.004 0.080 0.316
#> 20005 2 0.4886 0.67256 0.000 0.620 0.000 0.004 0.076 0.300
#> 24006 2 0.0551 0.79984 0.000 0.984 0.000 0.004 0.004 0.008
#> 26009 1 0.2044 0.79578 0.908 0.076 0.000 0.004 0.008 0.004
#> 28008 6 0.4076 0.03068 0.000 0.348 0.000 0.012 0.004 0.636
#> 28009 2 0.0508 0.79930 0.000 0.984 0.000 0.004 0.000 0.012
#> 31015 2 0.3539 0.74535 0.000 0.756 0.000 0.000 0.024 0.220
#> 37001 2 0.0508 0.79930 0.000 0.984 0.000 0.004 0.000 0.012
#> 43006 2 0.4538 0.71297 0.000 0.708 0.000 0.008 0.084 0.200
#> 43015 2 0.3605 0.77328 0.000 0.804 0.000 0.004 0.084 0.108
#> 44001 2 0.1003 0.80606 0.000 0.964 0.000 0.000 0.020 0.016
#> 49004 2 0.4277 0.72817 0.000 0.740 0.000 0.008 0.080 0.172
#> 56007 2 0.4176 0.73354 0.000 0.752 0.000 0.008 0.080 0.160
#> 64005 2 0.1434 0.79398 0.000 0.940 0.000 0.000 0.048 0.012
#> 65003 2 0.0820 0.80275 0.000 0.972 0.000 0.000 0.012 0.016
#> 83001 2 0.3032 0.75987 0.000 0.840 0.000 0.000 0.056 0.104
#> LAL4 2 0.3285 0.74878 0.000 0.820 0.000 0.000 0.064 0.116
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:kmeans 122 0.235 0.831 1.58e-01 2
#> CV:kmeans 125 0.338 0.494 2.25e-17 3
#> CV:kmeans 124 0.231 0.702 1.44e-19 4
#> CV:kmeans 114 0.299 0.623 8.94e-18 5
#> CV:kmeans 94 0.336 0.722 1.02e-13 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "skmeans"]
# you can also extract it by
# res = res_list["CV:skmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.689 0.886 0.939 0.4941 0.497 0.497
#> 3 3 0.665 0.800 0.888 0.3293 0.766 0.566
#> 4 4 1.000 0.955 0.983 0.1469 0.844 0.583
#> 5 5 0.838 0.764 0.876 0.0571 0.955 0.819
#> 6 6 0.785 0.651 0.794 0.0355 0.973 0.873
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0376 0.971 0.996 0.004
#> 01010 1 0.0000 0.972 1.000 0.000
#> 03002 1 0.1184 0.962 0.984 0.016
#> 04006 1 0.0000 0.972 1.000 0.000
#> 04007 1 0.9866 0.041 0.568 0.432
#> 04008 1 0.0000 0.972 1.000 0.000
#> 04010 1 0.0000 0.972 1.000 0.000
#> 04016 1 0.1184 0.962 0.984 0.016
#> 06002 1 0.0376 0.971 0.996 0.004
#> 08001 2 0.7219 0.814 0.200 0.800
#> 08011 1 0.0376 0.971 0.996 0.004
#> 08012 2 0.9775 0.466 0.412 0.588
#> 08018 1 0.2236 0.946 0.964 0.036
#> 08024 1 0.0376 0.971 0.996 0.004
#> 09008 1 0.0000 0.972 1.000 0.000
#> 09017 2 0.9491 0.572 0.368 0.632
#> 11005 2 0.7219 0.814 0.200 0.800
#> 12006 1 0.0376 0.971 0.996 0.004
#> 12007 1 0.0376 0.971 0.996 0.004
#> 12012 1 0.0376 0.971 0.996 0.004
#> 12019 1 0.0376 0.971 0.996 0.004
#> 12026 1 0.0000 0.972 1.000 0.000
#> 14016 1 0.0000 0.972 1.000 0.000
#> 15001 1 0.0376 0.971 0.996 0.004
#> 15004 2 0.0000 0.898 0.000 1.000
#> 15005 1 0.0000 0.972 1.000 0.000
#> 16004 1 0.0376 0.969 0.996 0.004
#> 16009 1 0.0000 0.972 1.000 0.000
#> 19005 1 0.0000 0.972 1.000 0.000
#> 20002 1 0.0000 0.972 1.000 0.000
#> 22009 1 0.0000 0.972 1.000 0.000
#> 22010 2 0.0376 0.897 0.004 0.996
#> 22011 1 0.1633 0.955 0.976 0.024
#> 22013 1 0.0000 0.972 1.000 0.000
#> 24001 1 0.1414 0.959 0.980 0.020
#> 24005 2 0.6531 0.834 0.168 0.832
#> 24008 1 0.2423 0.938 0.960 0.040
#> 24010 2 0.9963 0.326 0.464 0.536
#> 24011 1 0.0376 0.971 0.996 0.004
#> 24017 1 0.0000 0.972 1.000 0.000
#> 24018 1 0.0000 0.972 1.000 0.000
#> 24019 1 0.0000 0.972 1.000 0.000
#> 24022 2 0.5294 0.857 0.120 0.880
#> 25003 1 0.0376 0.971 0.996 0.004
#> 25006 1 0.0000 0.972 1.000 0.000
#> 26001 1 0.0000 0.972 1.000 0.000
#> 26003 2 0.7219 0.814 0.200 0.800
#> 26005 1 0.0376 0.971 0.996 0.004
#> 26008 1 0.0000 0.972 1.000 0.000
#> 27003 2 0.7139 0.819 0.196 0.804
#> 27004 2 0.7219 0.814 0.200 0.800
#> 28001 2 0.7528 0.804 0.216 0.784
#> 28003 2 0.0376 0.897 0.004 0.996
#> 28005 2 0.7219 0.814 0.200 0.800
#> 28006 2 0.7139 0.817 0.196 0.804
#> 28007 2 0.7219 0.814 0.200 0.800
#> 28019 1 0.0000 0.972 1.000 0.000
#> 28021 1 0.0000 0.972 1.000 0.000
#> 28023 2 0.7056 0.820 0.192 0.808
#> 28024 2 0.7219 0.814 0.200 0.800
#> 28028 2 0.0000 0.898 0.000 1.000
#> 28031 2 0.8499 0.731 0.276 0.724
#> 28032 2 0.0000 0.898 0.000 1.000
#> 28035 1 0.0000 0.972 1.000 0.000
#> 28036 2 0.4431 0.868 0.092 0.908
#> 28037 1 0.0000 0.972 1.000 0.000
#> 28042 2 0.0000 0.898 0.000 1.000
#> 28043 2 0.7219 0.814 0.200 0.800
#> 28044 2 0.7299 0.813 0.204 0.796
#> 28047 2 0.5946 0.846 0.144 0.856
#> 30001 1 0.0000 0.972 1.000 0.000
#> 31007 2 0.0000 0.898 0.000 1.000
#> 31011 2 0.7219 0.814 0.200 0.800
#> 33005 1 0.0000 0.972 1.000 0.000
#> 36001 1 0.0000 0.972 1.000 0.000
#> 36002 1 0.1843 0.951 0.972 0.028
#> 37013 1 0.0000 0.972 1.000 0.000
#> 43001 1 0.0000 0.972 1.000 0.000
#> 43004 1 0.0000 0.972 1.000 0.000
#> 43007 2 0.9686 0.505 0.396 0.604
#> 43012 2 0.0000 0.898 0.000 1.000
#> 48001 1 0.0000 0.972 1.000 0.000
#> 49006 1 0.0376 0.971 0.996 0.004
#> 57001 2 0.0000 0.898 0.000 1.000
#> 62001 2 0.7299 0.813 0.204 0.796
#> 62002 2 0.7528 0.803 0.216 0.784
#> 62003 1 0.0000 0.972 1.000 0.000
#> 63001 2 0.9686 0.505 0.396 0.604
#> 64001 1 0.0376 0.971 0.996 0.004
#> 64002 1 0.0000 0.972 1.000 0.000
#> 65005 1 0.0376 0.971 0.996 0.004
#> 68001 1 0.0000 0.972 1.000 0.000
#> 68003 1 0.1843 0.951 0.972 0.028
#> 84004 2 0.7219 0.814 0.200 0.800
#> LAL5 2 0.0000 0.898 0.000 1.000
#> 01003 2 0.0000 0.898 0.000 1.000
#> 01007 2 0.0376 0.897 0.004 0.996
#> 02020 2 0.0376 0.897 0.004 0.996
#> 04018 2 0.0376 0.897 0.004 0.996
#> 09002 2 0.0000 0.898 0.000 1.000
#> 10005 2 0.0000 0.898 0.000 1.000
#> 11002 2 0.0000 0.898 0.000 1.000
#> 12008 2 0.0000 0.898 0.000 1.000
#> 15006 1 0.7219 0.731 0.800 0.200
#> 16002 2 0.0000 0.898 0.000 1.000
#> 16007 2 0.0000 0.898 0.000 1.000
#> 17003 1 0.9686 0.368 0.604 0.396
#> 18001 2 0.0000 0.898 0.000 1.000
#> 19002 2 0.0376 0.897 0.004 0.996
#> 19008 2 0.0000 0.898 0.000 1.000
#> 19014 2 0.0376 0.897 0.004 0.996
#> 19017 2 0.0000 0.898 0.000 1.000
#> 20005 2 0.0000 0.898 0.000 1.000
#> 24006 2 0.0376 0.897 0.004 0.996
#> 26009 1 0.7219 0.731 0.800 0.200
#> 28008 2 0.0000 0.898 0.000 1.000
#> 28009 2 0.0376 0.897 0.004 0.996
#> 31015 2 0.0000 0.898 0.000 1.000
#> 37001 2 0.0376 0.897 0.004 0.996
#> 43006 2 0.0000 0.898 0.000 1.000
#> 43015 2 0.0000 0.898 0.000 1.000
#> 44001 2 0.0000 0.898 0.000 1.000
#> 49004 2 0.0000 0.898 0.000 1.000
#> 56007 2 0.0000 0.898 0.000 1.000
#> 64005 2 0.0376 0.897 0.004 0.996
#> 65003 2 0.0376 0.897 0.004 0.996
#> 83001 2 0.0376 0.897 0.004 0.996
#> LAL4 2 0.0376 0.897 0.004 0.996
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.1163 0.9077 0.028 0.000 0.972
#> 01010 1 0.0000 0.9466 1.000 0.000 0.000
#> 03002 3 0.0000 0.9097 0.000 0.000 1.000
#> 04006 1 0.0000 0.9466 1.000 0.000 0.000
#> 04007 3 0.0000 0.9097 0.000 0.000 1.000
#> 04008 1 0.0000 0.9466 1.000 0.000 0.000
#> 04010 1 0.0000 0.9466 1.000 0.000 0.000
#> 04016 3 0.0000 0.9097 0.000 0.000 1.000
#> 06002 3 0.4654 0.7768 0.208 0.000 0.792
#> 08001 3 0.0000 0.9097 0.000 0.000 1.000
#> 08011 3 0.1163 0.9077 0.028 0.000 0.972
#> 08012 3 0.0000 0.9097 0.000 0.000 1.000
#> 08018 3 0.2165 0.8956 0.064 0.000 0.936
#> 08024 3 0.2878 0.8815 0.096 0.000 0.904
#> 09008 1 0.0000 0.9466 1.000 0.000 0.000
#> 09017 3 0.0000 0.9097 0.000 0.000 1.000
#> 11005 3 0.0000 0.9097 0.000 0.000 1.000
#> 12006 3 0.0000 0.9097 0.000 0.000 1.000
#> 12007 3 0.1163 0.9077 0.028 0.000 0.972
#> 12012 3 0.2625 0.8879 0.084 0.000 0.916
#> 12019 3 0.2448 0.8922 0.076 0.000 0.924
#> 12026 3 0.5178 0.7063 0.256 0.000 0.744
#> 14016 3 0.4974 0.7335 0.236 0.000 0.764
#> 15001 3 0.3412 0.8625 0.124 0.000 0.876
#> 15004 2 0.8441 0.6538 0.144 0.608 0.248
#> 15005 1 0.0000 0.9466 1.000 0.000 0.000
#> 16004 1 0.0000 0.9466 1.000 0.000 0.000
#> 16009 1 0.0000 0.9466 1.000 0.000 0.000
#> 19005 1 0.0000 0.9466 1.000 0.000 0.000
#> 20002 1 0.0000 0.9466 1.000 0.000 0.000
#> 22009 3 0.3752 0.8457 0.144 0.000 0.856
#> 22010 2 0.0000 0.8066 0.000 1.000 0.000
#> 22011 3 0.0000 0.9097 0.000 0.000 1.000
#> 22013 3 0.4178 0.8141 0.172 0.000 0.828
#> 24001 3 0.0000 0.9097 0.000 0.000 1.000
#> 24005 2 0.6298 0.6150 0.004 0.608 0.388
#> 24008 3 0.0424 0.9097 0.008 0.000 0.992
#> 24010 3 0.0000 0.9097 0.000 0.000 1.000
#> 24011 3 0.2448 0.8922 0.076 0.000 0.924
#> 24017 1 0.0000 0.9466 1.000 0.000 0.000
#> 24018 1 0.0000 0.9466 1.000 0.000 0.000
#> 24019 1 0.0000 0.9466 1.000 0.000 0.000
#> 24022 2 0.6095 0.6131 0.000 0.608 0.392
#> 25003 3 0.0000 0.9097 0.000 0.000 1.000
#> 25006 1 0.0000 0.9466 1.000 0.000 0.000
#> 26001 3 0.6095 0.4352 0.392 0.000 0.608
#> 26003 2 0.6095 0.6131 0.000 0.608 0.392
#> 26005 3 0.3038 0.8768 0.104 0.000 0.896
#> 26008 1 0.0000 0.9466 1.000 0.000 0.000
#> 27003 2 0.6962 0.6613 0.036 0.648 0.316
#> 27004 2 0.6095 0.6131 0.000 0.608 0.392
#> 28001 1 0.9520 0.0206 0.460 0.340 0.200
#> 28003 2 0.6933 0.6730 0.208 0.716 0.076
#> 28005 2 0.6095 0.6131 0.000 0.608 0.392
#> 28006 2 0.6095 0.6131 0.000 0.608 0.392
#> 28007 2 0.6095 0.6131 0.000 0.608 0.392
#> 28019 1 0.0000 0.9466 1.000 0.000 0.000
#> 28021 1 0.0000 0.9466 1.000 0.000 0.000
#> 28023 2 0.8494 0.6538 0.156 0.608 0.236
#> 28024 2 0.6095 0.6131 0.000 0.608 0.392
#> 28028 2 0.6095 0.6131 0.000 0.608 0.392
#> 28031 1 0.3406 0.8586 0.904 0.028 0.068
#> 28032 2 0.6095 0.6131 0.000 0.608 0.392
#> 28035 1 0.0000 0.9466 1.000 0.000 0.000
#> 28036 2 0.6095 0.6131 0.000 0.608 0.392
#> 28037 1 0.0000 0.9466 1.000 0.000 0.000
#> 28042 2 0.2537 0.7918 0.000 0.920 0.080
#> 28043 2 0.6095 0.6131 0.000 0.608 0.392
#> 28044 2 0.8550 0.6327 0.216 0.608 0.176
#> 28047 2 0.8375 0.6528 0.132 0.608 0.260
#> 30001 1 0.0000 0.9466 1.000 0.000 0.000
#> 31007 2 0.6911 0.6954 0.180 0.728 0.092
#> 31011 2 0.6095 0.6131 0.000 0.608 0.392
#> 33005 1 0.0000 0.9466 1.000 0.000 0.000
#> 36001 1 0.0000 0.9466 1.000 0.000 0.000
#> 36002 3 0.0000 0.9097 0.000 0.000 1.000
#> 37013 3 0.3686 0.8472 0.140 0.000 0.860
#> 43001 3 0.4974 0.7335 0.236 0.000 0.764
#> 43004 1 0.3116 0.8429 0.892 0.000 0.108
#> 43007 3 0.0000 0.9097 0.000 0.000 1.000
#> 43012 2 0.6349 0.7163 0.156 0.764 0.080
#> 48001 1 0.0000 0.9466 1.000 0.000 0.000
#> 49006 3 0.0000 0.9097 0.000 0.000 1.000
#> 57001 2 0.6128 0.7308 0.136 0.780 0.084
#> 62001 2 0.9531 0.4234 0.324 0.468 0.208
#> 62002 2 0.6314 0.6103 0.004 0.604 0.392
#> 62003 1 0.0237 0.9428 0.996 0.000 0.004
#> 63001 3 0.0000 0.9097 0.000 0.000 1.000
#> 64001 3 0.1163 0.9077 0.028 0.000 0.972
#> 64002 1 0.0000 0.9466 1.000 0.000 0.000
#> 65005 3 0.0237 0.9098 0.004 0.000 0.996
#> 68001 1 0.0000 0.9466 1.000 0.000 0.000
#> 68003 3 0.0000 0.9097 0.000 0.000 1.000
#> 84004 3 0.0000 0.9097 0.000 0.000 1.000
#> LAL5 2 0.6282 0.6190 0.004 0.612 0.384
#> 01003 2 0.0000 0.8066 0.000 1.000 0.000
#> 01007 2 0.0000 0.8066 0.000 1.000 0.000
#> 02020 2 0.0000 0.8066 0.000 1.000 0.000
#> 04018 2 0.0000 0.8066 0.000 1.000 0.000
#> 09002 2 0.0000 0.8066 0.000 1.000 0.000
#> 10005 3 0.6140 0.3723 0.000 0.404 0.596
#> 11002 2 0.0000 0.8066 0.000 1.000 0.000
#> 12008 2 0.6280 -0.0282 0.000 0.540 0.460
#> 15006 1 0.4555 0.7566 0.800 0.200 0.000
#> 16002 2 0.0000 0.8066 0.000 1.000 0.000
#> 16007 2 0.0000 0.8066 0.000 1.000 0.000
#> 17003 1 0.6095 0.4649 0.608 0.392 0.000
#> 18001 2 0.0000 0.8066 0.000 1.000 0.000
#> 19002 2 0.0000 0.8066 0.000 1.000 0.000
#> 19008 2 0.0000 0.8066 0.000 1.000 0.000
#> 19014 2 0.0000 0.8066 0.000 1.000 0.000
#> 19017 2 0.0000 0.8066 0.000 1.000 0.000
#> 20005 2 0.0000 0.8066 0.000 1.000 0.000
#> 24006 2 0.0000 0.8066 0.000 1.000 0.000
#> 26009 1 0.4555 0.7566 0.800 0.200 0.000
#> 28008 2 0.0000 0.8066 0.000 1.000 0.000
#> 28009 2 0.0000 0.8066 0.000 1.000 0.000
#> 31015 2 0.0000 0.8066 0.000 1.000 0.000
#> 37001 2 0.0000 0.8066 0.000 1.000 0.000
#> 43006 2 0.0000 0.8066 0.000 1.000 0.000
#> 43015 2 0.0000 0.8066 0.000 1.000 0.000
#> 44001 2 0.0000 0.8066 0.000 1.000 0.000
#> 49004 2 0.0000 0.8066 0.000 1.000 0.000
#> 56007 2 0.0000 0.8066 0.000 1.000 0.000
#> 64005 2 0.0000 0.8066 0.000 1.000 0.000
#> 65003 2 0.0000 0.8066 0.000 1.000 0.000
#> 83001 2 0.0237 0.8040 0.004 0.996 0.000
#> LAL4 2 0.0000 0.8066 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 04008 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 08001 4 0.4916 0.28971 0.000 0.000 0.424 0.576
#> 08011 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 08018 3 0.2011 0.90208 0.000 0.000 0.920 0.080
#> 08024 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 09017 4 0.3764 0.71787 0.000 0.000 0.216 0.784
#> 11005 3 0.4605 0.45820 0.000 0.000 0.664 0.336
#> 12006 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 15005 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 16004 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 20002 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 22009 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 22010 2 0.5000 0.00168 0.000 0.504 0.000 0.496
#> 22011 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 24018 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 24019 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 26001 3 0.0469 0.97564 0.012 0.000 0.988 0.000
#> 26003 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28001 4 0.0336 0.95562 0.000 0.008 0.000 0.992
#> 28003 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28031 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28032 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 31007 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 31011 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 36002 3 0.0469 0.97562 0.000 0.000 0.988 0.012
#> 37013 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 48001 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 57001 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 62001 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 62003 1 0.2216 0.89606 0.908 0.000 0.092 0.000
#> 63001 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.99360 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.98663 0.000 0.000 1.000 0.000
#> 84004 4 0.4925 0.27809 0.000 0.000 0.428 0.572
#> LAL5 4 0.0000 0.96282 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 10005 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 11002 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 15006 1 0.1118 0.96147 0.964 0.036 0.000 0.000
#> 16002 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 18001 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 26009 1 0.1118 0.96147 0.964 0.036 0.000 0.000
#> 28008 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.98335 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.98335 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0404 0.80793 0.000 0.000 0.988 0.000 0.012
#> 01010 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 03002 5 0.4126 0.41281 0.000 0.000 0.380 0.000 0.620
#> 04006 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.3612 0.60046 0.000 0.000 0.732 0.000 0.268
#> 04008 1 0.4192 0.34240 0.596 0.000 0.404 0.000 0.000
#> 04010 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 04016 3 0.3424 0.65002 0.000 0.000 0.760 0.000 0.240
#> 06002 3 0.0324 0.80593 0.004 0.000 0.992 0.000 0.004
#> 08001 5 0.5696 0.18358 0.000 0.000 0.096 0.344 0.560
#> 08011 3 0.0404 0.80793 0.000 0.000 0.988 0.000 0.012
#> 08012 3 0.3897 0.67538 0.000 0.000 0.768 0.028 0.204
#> 08018 3 0.3010 0.62359 0.000 0.000 0.824 0.172 0.004
#> 08024 3 0.0000 0.80747 0.000 0.000 1.000 0.000 0.000
#> 09008 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 09017 5 0.3579 0.32687 0.000 0.000 0.004 0.240 0.756
#> 11005 5 0.4400 0.60529 0.000 0.000 0.196 0.060 0.744
#> 12006 5 0.2763 0.54901 0.000 0.000 0.148 0.004 0.848
#> 12007 3 0.1341 0.79570 0.000 0.000 0.944 0.000 0.056
#> 12012 3 0.1732 0.77746 0.000 0.000 0.920 0.000 0.080
#> 12019 3 0.0162 0.80786 0.000 0.000 0.996 0.000 0.004
#> 12026 3 0.3521 0.62108 0.004 0.000 0.764 0.000 0.232
#> 14016 3 0.3424 0.61503 0.000 0.000 0.760 0.000 0.240
#> 15001 3 0.0162 0.80778 0.000 0.000 0.996 0.000 0.004
#> 15004 4 0.0404 0.76565 0.000 0.000 0.000 0.988 0.012
#> 15005 1 0.0609 0.94281 0.980 0.000 0.000 0.000 0.020
#> 16004 1 0.1197 0.92425 0.952 0.000 0.000 0.000 0.048
#> 16009 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.1124 0.93078 0.960 0.000 0.000 0.004 0.036
#> 20002 1 0.2179 0.84091 0.888 0.000 0.112 0.000 0.000
#> 22009 3 0.3550 0.61606 0.004 0.000 0.760 0.000 0.236
#> 22010 2 0.5392 0.54134 0.000 0.664 0.000 0.192 0.144
#> 22011 3 0.3210 0.68579 0.000 0.000 0.788 0.000 0.212
#> 22013 3 0.2929 0.68924 0.000 0.000 0.820 0.000 0.180
#> 24001 3 0.3242 0.68183 0.000 0.000 0.784 0.000 0.216
#> 24005 4 0.2377 0.70196 0.000 0.000 0.000 0.872 0.128
#> 24008 3 0.3684 0.57792 0.000 0.000 0.720 0.000 0.280
#> 24010 5 0.4238 0.34290 0.000 0.000 0.368 0.004 0.628
#> 24011 3 0.0162 0.80748 0.000 0.000 0.996 0.000 0.004
#> 24017 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 24018 1 0.2516 0.83492 0.860 0.000 0.000 0.000 0.140
#> 24019 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.4114 0.60733 0.000 0.000 0.000 0.624 0.376
#> 25003 3 0.3730 0.62351 0.000 0.000 0.712 0.000 0.288
#> 25006 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2233 0.75615 0.004 0.000 0.892 0.000 0.104
#> 26003 4 0.4114 0.60733 0.000 0.000 0.000 0.624 0.376
#> 26005 3 0.0000 0.80747 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.4201 0.54439 0.000 0.000 0.000 0.592 0.408
#> 27004 4 0.3837 0.67136 0.000 0.000 0.000 0.692 0.308
#> 28001 5 0.3949 0.11023 0.000 0.000 0.004 0.300 0.696
#> 28003 4 0.0404 0.76775 0.000 0.000 0.000 0.988 0.012
#> 28005 4 0.2127 0.76495 0.000 0.000 0.000 0.892 0.108
#> 28006 4 0.4262 0.47379 0.000 0.000 0.000 0.560 0.440
#> 28007 4 0.1671 0.77078 0.000 0.000 0.000 0.924 0.076
#> 28019 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 28021 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 28023 4 0.0162 0.76906 0.000 0.000 0.000 0.996 0.004
#> 28024 4 0.1341 0.77109 0.000 0.000 0.000 0.944 0.056
#> 28028 4 0.1270 0.76401 0.000 0.000 0.000 0.948 0.052
#> 28031 4 0.0566 0.76496 0.004 0.000 0.000 0.984 0.012
#> 28032 4 0.1197 0.76538 0.000 0.000 0.000 0.952 0.048
#> 28035 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 28036 4 0.3913 0.66277 0.000 0.000 0.000 0.676 0.324
#> 28037 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 28042 4 0.0000 0.76957 0.000 0.000 0.000 1.000 0.000
#> 28043 4 0.3895 0.66606 0.000 0.000 0.000 0.680 0.320
#> 28044 4 0.3561 0.69477 0.000 0.000 0.000 0.740 0.260
#> 28047 4 0.0000 0.76957 0.000 0.000 0.000 1.000 0.000
#> 30001 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 31007 4 0.3366 0.53493 0.000 0.000 0.000 0.768 0.232
#> 31011 4 0.4114 0.60631 0.000 0.000 0.000 0.624 0.376
#> 33005 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 36001 1 0.0162 0.94970 0.996 0.000 0.000 0.000 0.004
#> 36002 5 0.5748 0.57821 0.000 0.000 0.252 0.140 0.608
#> 37013 5 0.4287 -0.00904 0.000 0.000 0.460 0.000 0.540
#> 43001 5 0.4278 -0.17950 0.000 0.000 0.452 0.000 0.548
#> 43004 4 0.4060 0.61423 0.000 0.000 0.000 0.640 0.360
#> 43007 3 0.2377 0.75686 0.000 0.000 0.872 0.000 0.128
#> 43012 4 0.0162 0.76906 0.000 0.000 0.000 0.996 0.004
#> 48001 1 0.0510 0.94296 0.984 0.000 0.000 0.000 0.016
#> 49006 3 0.2773 0.72895 0.000 0.000 0.836 0.000 0.164
#> 57001 4 0.1043 0.76585 0.000 0.000 0.000 0.960 0.040
#> 62001 4 0.3857 0.65767 0.000 0.000 0.000 0.688 0.312
#> 62002 4 0.4278 0.49983 0.000 0.000 0.000 0.548 0.452
#> 62003 1 0.5628 0.50063 0.624 0.000 0.132 0.000 0.244
#> 63001 3 0.5067 0.46221 0.000 0.000 0.648 0.064 0.288
#> 64001 3 0.0510 0.80735 0.000 0.000 0.984 0.000 0.016
#> 64002 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0510 0.80735 0.000 0.000 0.984 0.000 0.016
#> 68001 1 0.0000 0.94974 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.4243 0.54256 0.000 0.000 0.264 0.024 0.712
#> 84004 5 0.6054 0.34979 0.000 0.000 0.160 0.280 0.560
#> LAL5 4 0.0510 0.77072 0.000 0.000 0.000 0.984 0.016
#> 01003 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 02020 2 0.0290 0.95758 0.000 0.992 0.000 0.000 0.008
#> 04018 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 10005 2 0.5618 0.54399 0.000 0.632 0.144 0.000 0.224
#> 11002 2 0.2929 0.81844 0.000 0.820 0.000 0.000 0.180
#> 12008 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 15006 1 0.1043 0.91927 0.960 0.040 0.000 0.000 0.000
#> 16002 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 17003 2 0.1851 0.90953 0.000 0.912 0.000 0.000 0.088
#> 18001 2 0.0162 0.95885 0.000 0.996 0.000 0.000 0.004
#> 19002 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 19008 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 19014 2 0.0290 0.95758 0.000 0.992 0.000 0.000 0.008
#> 19017 2 0.1341 0.92967 0.000 0.944 0.000 0.000 0.056
#> 20005 2 0.0162 0.95885 0.000 0.996 0.000 0.000 0.004
#> 24006 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 26009 1 0.1043 0.91871 0.960 0.040 0.000 0.000 0.000
#> 28008 2 0.2648 0.84750 0.000 0.848 0.000 0.000 0.152
#> 28009 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 31015 2 0.1341 0.92954 0.000 0.944 0.000 0.000 0.056
#> 37001 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 43006 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 43015 2 0.0162 0.95885 0.000 0.996 0.000 0.000 0.004
#> 44001 2 0.0963 0.94061 0.000 0.964 0.000 0.000 0.036
#> 49004 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.95982 0.000 1.000 0.000 0.000 0.000
#> 83001 2 0.0162 0.95885 0.000 0.996 0.000 0.000 0.004
#> LAL4 2 0.0290 0.95758 0.000 0.992 0.000 0.000 0.008
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.1010 0.7156 0.000 0.000 0.960 0.000 0.036 0.004
#> 01010 1 0.0146 0.9321 0.996 0.000 0.000 0.000 0.000 0.004
#> 03002 5 0.3566 0.5053 0.000 0.000 0.236 0.000 0.744 0.020
#> 04006 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 5 0.4601 0.0738 0.000 0.000 0.408 0.004 0.556 0.032
#> 04008 3 0.4366 0.1761 0.428 0.000 0.548 0.000 0.000 0.024
#> 04010 1 0.0146 0.9321 0.996 0.000 0.000 0.000 0.000 0.004
#> 04016 3 0.4885 0.0977 0.000 0.000 0.484 0.004 0.464 0.048
#> 06002 3 0.1010 0.7141 0.000 0.000 0.960 0.000 0.004 0.036
#> 08001 5 0.3129 0.4504 0.000 0.000 0.024 0.152 0.820 0.004
#> 08011 3 0.0935 0.7156 0.000 0.000 0.964 0.000 0.032 0.004
#> 08012 3 0.5553 0.1466 0.000 0.000 0.492 0.036 0.416 0.056
#> 08018 3 0.2814 0.5931 0.000 0.000 0.820 0.172 0.000 0.008
#> 08024 3 0.0806 0.7199 0.000 0.000 0.972 0.000 0.008 0.020
#> 09008 1 0.0935 0.9252 0.964 0.000 0.000 0.004 0.000 0.032
#> 09017 5 0.4140 0.3250 0.000 0.000 0.000 0.104 0.744 0.152
#> 11005 5 0.3802 0.5146 0.000 0.000 0.116 0.032 0.804 0.048
#> 12006 5 0.4585 0.3316 0.000 0.000 0.068 0.000 0.648 0.284
#> 12007 3 0.1531 0.7168 0.000 0.000 0.928 0.000 0.068 0.004
#> 12012 3 0.2852 0.6786 0.000 0.000 0.856 0.000 0.064 0.080
#> 12019 3 0.1075 0.7159 0.000 0.000 0.952 0.000 0.048 0.000
#> 12026 3 0.4242 0.5857 0.000 0.000 0.736 0.000 0.128 0.136
#> 14016 3 0.4704 0.5363 0.000 0.000 0.684 0.000 0.160 0.156
#> 15001 3 0.0603 0.7181 0.000 0.000 0.980 0.000 0.004 0.016
#> 15004 4 0.2446 0.6272 0.000 0.000 0.000 0.864 0.012 0.124
#> 15005 1 0.1956 0.8938 0.908 0.000 0.000 0.004 0.008 0.080
#> 16004 1 0.2750 0.8361 0.844 0.000 0.000 0.000 0.020 0.136
#> 16009 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 1 0.3196 0.8116 0.816 0.000 0.008 0.000 0.020 0.156
#> 20002 1 0.2581 0.8103 0.860 0.000 0.120 0.000 0.000 0.020
#> 22009 3 0.3873 0.6154 0.000 0.000 0.772 0.000 0.124 0.104
#> 22010 2 0.6811 0.3218 0.000 0.448 0.000 0.172 0.076 0.304
#> 22011 3 0.4930 0.1329 0.000 0.000 0.496 0.004 0.448 0.052
#> 22013 3 0.3558 0.6419 0.000 0.000 0.800 0.000 0.112 0.088
#> 24001 3 0.4936 0.0930 0.000 0.000 0.480 0.004 0.464 0.052
#> 24005 4 0.5055 0.3957 0.000 0.000 0.000 0.624 0.244 0.132
#> 24008 3 0.5411 0.1668 0.000 0.000 0.512 0.000 0.124 0.364
#> 24010 5 0.5629 0.0532 0.000 0.000 0.148 0.000 0.448 0.404
#> 24011 3 0.1257 0.7167 0.000 0.000 0.952 0.000 0.028 0.020
#> 24017 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 1 0.3509 0.7883 0.804 0.000 0.000 0.000 0.084 0.112
#> 24019 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.5065 0.5392 0.000 0.000 0.000 0.524 0.396 0.080
#> 25003 3 0.4212 0.3071 0.000 0.000 0.560 0.000 0.424 0.016
#> 25006 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2568 0.6836 0.000 0.000 0.876 0.000 0.056 0.068
#> 26003 4 0.5059 0.5426 0.000 0.000 0.000 0.528 0.392 0.080
#> 26005 3 0.0000 0.7176 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 4 0.5767 0.4171 0.000 0.000 0.000 0.496 0.300 0.204
#> 27004 4 0.4585 0.6216 0.000 0.000 0.000 0.648 0.284 0.068
#> 28001 6 0.5186 0.3082 0.000 0.000 0.000 0.156 0.232 0.612
#> 28003 4 0.1285 0.6495 0.000 0.000 0.000 0.944 0.004 0.052
#> 28005 4 0.3388 0.6847 0.000 0.000 0.000 0.792 0.172 0.036
#> 28006 6 0.6088 0.2120 0.000 0.004 0.000 0.312 0.244 0.440
#> 28007 4 0.3352 0.6836 0.000 0.000 0.000 0.792 0.176 0.032
#> 28019 1 0.0858 0.9264 0.968 0.000 0.000 0.004 0.000 0.028
#> 28021 1 0.0858 0.9264 0.968 0.000 0.000 0.004 0.000 0.028
#> 28023 4 0.0858 0.6591 0.000 0.000 0.000 0.968 0.004 0.028
#> 28024 4 0.3456 0.6800 0.000 0.000 0.000 0.788 0.172 0.040
#> 28028 4 0.3655 0.6290 0.000 0.000 0.000 0.792 0.112 0.096
#> 28031 4 0.1285 0.6445 0.000 0.000 0.000 0.944 0.004 0.052
#> 28032 4 0.3472 0.6403 0.000 0.000 0.000 0.808 0.092 0.100
#> 28035 1 0.1074 0.9235 0.960 0.000 0.000 0.012 0.000 0.028
#> 28036 4 0.4766 0.6083 0.000 0.000 0.000 0.612 0.316 0.072
#> 28037 1 0.0858 0.9264 0.968 0.000 0.000 0.004 0.000 0.028
#> 28042 4 0.0935 0.6537 0.000 0.000 0.000 0.964 0.004 0.032
#> 28043 4 0.4668 0.6133 0.000 0.000 0.000 0.620 0.316 0.064
#> 28044 4 0.4563 0.6023 0.000 0.000 0.000 0.700 0.164 0.136
#> 28047 4 0.0603 0.6657 0.000 0.000 0.000 0.980 0.004 0.016
#> 30001 1 0.0547 0.9296 0.980 0.000 0.000 0.000 0.000 0.020
#> 31007 6 0.4513 0.2517 0.000 0.004 0.000 0.440 0.024 0.532
#> 31011 4 0.5201 0.5145 0.000 0.000 0.000 0.500 0.408 0.092
#> 33005 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0260 0.9316 0.992 0.000 0.000 0.000 0.000 0.008
#> 36002 5 0.3214 0.5203 0.000 0.000 0.084 0.068 0.840 0.008
#> 37013 5 0.5298 0.3112 0.000 0.000 0.248 0.000 0.592 0.160
#> 43001 5 0.5983 0.1910 0.000 0.000 0.244 0.000 0.432 0.324
#> 43004 4 0.5772 0.4883 0.008 0.000 0.000 0.540 0.272 0.180
#> 43007 3 0.4339 0.4586 0.000 0.004 0.664 0.004 0.300 0.028
#> 43012 4 0.1082 0.6529 0.000 0.000 0.000 0.956 0.004 0.040
#> 48001 1 0.1584 0.9002 0.928 0.000 0.000 0.000 0.008 0.064
#> 49006 3 0.3468 0.5336 0.000 0.000 0.728 0.000 0.264 0.008
#> 57001 4 0.2106 0.6489 0.000 0.000 0.000 0.904 0.064 0.032
#> 62001 4 0.4931 0.5911 0.000 0.000 0.000 0.636 0.248 0.116
#> 62002 5 0.5488 -0.3766 0.000 0.000 0.000 0.396 0.476 0.128
#> 62003 1 0.7484 0.0989 0.408 0.000 0.212 0.004 0.160 0.216
#> 63001 6 0.6215 -0.0681 0.000 0.000 0.380 0.036 0.132 0.452
#> 64001 3 0.1152 0.7124 0.000 0.000 0.952 0.000 0.044 0.004
#> 64002 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.1285 0.7123 0.000 0.000 0.944 0.000 0.052 0.004
#> 68001 1 0.0000 0.9323 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.2515 0.5341 0.000 0.000 0.052 0.016 0.892 0.040
#> 84004 5 0.4052 0.4852 0.000 0.000 0.076 0.116 0.784 0.024
#> LAL5 4 0.2179 0.6608 0.000 0.000 0.000 0.900 0.064 0.036
#> 01003 2 0.0458 0.8684 0.000 0.984 0.000 0.000 0.000 0.016
#> 01007 2 0.2003 0.8609 0.000 0.884 0.000 0.000 0.000 0.116
#> 02020 2 0.2882 0.8517 0.000 0.812 0.000 0.000 0.008 0.180
#> 04018 2 0.2003 0.8609 0.000 0.884 0.000 0.000 0.000 0.116
#> 09002 2 0.0458 0.8637 0.000 0.984 0.000 0.000 0.000 0.016
#> 10005 2 0.5396 0.2762 0.000 0.500 0.032 0.000 0.048 0.420
#> 11002 2 0.3890 0.4915 0.000 0.596 0.000 0.000 0.004 0.400
#> 12008 2 0.0858 0.8704 0.000 0.968 0.000 0.000 0.004 0.028
#> 15006 1 0.1411 0.8913 0.936 0.060 0.000 0.000 0.000 0.004
#> 16002 2 0.0458 0.8637 0.000 0.984 0.000 0.000 0.000 0.016
#> 16007 2 0.0458 0.8637 0.000 0.984 0.000 0.000 0.000 0.016
#> 17003 2 0.4034 0.7448 0.000 0.652 0.000 0.000 0.020 0.328
#> 18001 2 0.1327 0.8578 0.000 0.936 0.000 0.000 0.000 0.064
#> 19002 2 0.2146 0.8602 0.000 0.880 0.000 0.000 0.004 0.116
#> 19008 2 0.0713 0.8632 0.000 0.972 0.000 0.000 0.000 0.028
#> 19014 2 0.2772 0.8531 0.000 0.816 0.000 0.000 0.004 0.180
#> 19017 2 0.2562 0.7958 0.000 0.828 0.000 0.000 0.000 0.172
#> 20005 2 0.1349 0.8588 0.000 0.940 0.000 0.004 0.000 0.056
#> 24006 2 0.2146 0.8602 0.000 0.880 0.000 0.000 0.004 0.116
#> 26009 1 0.1531 0.8832 0.928 0.068 0.000 0.000 0.000 0.004
#> 28008 2 0.3446 0.6400 0.000 0.692 0.000 0.000 0.000 0.308
#> 28009 2 0.2191 0.8598 0.000 0.876 0.000 0.000 0.004 0.120
#> 31015 2 0.2854 0.7743 0.000 0.792 0.000 0.000 0.000 0.208
#> 37001 2 0.2191 0.8598 0.000 0.876 0.000 0.000 0.004 0.120
#> 43006 2 0.0632 0.8637 0.000 0.976 0.000 0.000 0.000 0.024
#> 43015 2 0.1327 0.8623 0.000 0.936 0.000 0.000 0.000 0.064
#> 44001 2 0.2402 0.8501 0.000 0.856 0.000 0.000 0.004 0.140
#> 49004 2 0.0458 0.8637 0.000 0.984 0.000 0.000 0.000 0.016
#> 56007 2 0.0260 0.8649 0.000 0.992 0.000 0.000 0.000 0.008
#> 64005 2 0.2234 0.8608 0.000 0.872 0.000 0.000 0.004 0.124
#> 65003 2 0.2191 0.8598 0.000 0.876 0.000 0.000 0.004 0.120
#> 83001 2 0.2668 0.8565 0.000 0.828 0.000 0.000 0.004 0.168
#> LAL4 2 0.2772 0.8531 0.000 0.816 0.000 0.000 0.004 0.180
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:skmeans 124 0.608 0.906 2.83e-07 2
#> CV:skmeans 122 0.278 0.864 9.33e-08 3
#> CV:skmeans 124 0.283 0.678 8.91e-20 4
#> CV:skmeans 116 0.294 0.752 1.01e-14 5
#> CV:skmeans 100 0.346 0.896 2.52e-13 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "pam"]
# you can also extract it by
# res = res_list["CV:pam"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.452 0.582 0.746 0.4573 0.497 0.497
#> 3 3 0.458 0.688 0.786 0.4003 0.590 0.358
#> 4 4 0.893 0.882 0.952 0.1639 0.839 0.592
#> 5 5 0.846 0.782 0.906 0.0576 0.931 0.745
#> 6 6 0.797 0.702 0.862 0.0339 0.968 0.852
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 1.0000 0.6778 0.500 0.500
#> 01010 1 0.9896 0.7577 0.560 0.440
#> 03002 2 0.1843 0.6618 0.028 0.972
#> 04006 1 0.9896 0.7577 0.560 0.440
#> 04007 2 0.1843 0.6618 0.028 0.972
#> 04008 1 0.9896 0.7577 0.560 0.440
#> 04010 1 0.9896 0.7577 0.560 0.440
#> 04016 2 0.6247 0.4333 0.156 0.844
#> 06002 1 0.9896 0.7577 0.560 0.440
#> 08001 2 0.0000 0.6912 0.000 1.000
#> 08011 1 1.0000 0.6778 0.500 0.500
#> 08012 2 1.0000 -0.6878 0.500 0.500
#> 08018 1 0.9970 0.6559 0.532 0.468
#> 08024 1 0.9896 0.7577 0.560 0.440
#> 09008 1 0.9896 0.7577 0.560 0.440
#> 09017 2 0.6531 0.3574 0.168 0.832
#> 11005 2 0.0000 0.6912 0.000 1.000
#> 12006 1 1.0000 0.6778 0.500 0.500
#> 12007 2 1.0000 -0.6878 0.500 0.500
#> 12012 2 1.0000 -0.6878 0.500 0.500
#> 12019 1 0.9896 0.7577 0.560 0.440
#> 12026 1 0.9896 0.7577 0.560 0.440
#> 14016 1 0.9896 0.7577 0.560 0.440
#> 15001 1 0.9896 0.7577 0.560 0.440
#> 15004 2 0.0000 0.6912 0.000 1.000
#> 15005 1 0.9896 0.7577 0.560 0.440
#> 16004 1 0.9881 0.7559 0.564 0.436
#> 16009 1 0.9881 0.7560 0.564 0.436
#> 19005 1 0.9896 0.7577 0.560 0.440
#> 20002 1 0.9896 0.7577 0.560 0.440
#> 22009 1 0.9896 0.7577 0.560 0.440
#> 22010 1 0.9000 0.3235 0.684 0.316
#> 22011 1 1.0000 0.6778 0.500 0.500
#> 22013 1 0.9896 0.7577 0.560 0.440
#> 24001 2 0.5519 0.4809 0.128 0.872
#> 24005 2 0.0000 0.6912 0.000 1.000
#> 24008 1 0.9922 0.7490 0.552 0.448
#> 24010 2 0.0000 0.6912 0.000 1.000
#> 24011 1 0.9896 0.7577 0.560 0.440
#> 24017 1 0.9896 0.7577 0.560 0.440
#> 24018 1 0.9896 0.7577 0.560 0.440
#> 24019 1 0.9881 0.7560 0.564 0.436
#> 24022 2 0.0000 0.6912 0.000 1.000
#> 25003 1 0.9909 0.7535 0.556 0.444
#> 25006 1 0.9896 0.7577 0.560 0.440
#> 26001 1 0.9896 0.7577 0.560 0.440
#> 26003 2 0.0000 0.6912 0.000 1.000
#> 26005 1 0.9896 0.7577 0.560 0.440
#> 26008 1 0.9896 0.7577 0.560 0.440
#> 27003 2 0.0000 0.6912 0.000 1.000
#> 27004 2 0.0000 0.6912 0.000 1.000
#> 28001 1 0.9393 0.6489 0.644 0.356
#> 28003 1 0.9970 -0.3909 0.532 0.468
#> 28005 2 0.0000 0.6912 0.000 1.000
#> 28006 2 0.0000 0.6912 0.000 1.000
#> 28007 2 0.0000 0.6912 0.000 1.000
#> 28019 1 0.9896 0.7577 0.560 0.440
#> 28021 1 0.9896 0.7577 0.560 0.440
#> 28023 2 0.0000 0.6912 0.000 1.000
#> 28024 2 0.0000 0.6912 0.000 1.000
#> 28028 2 0.0000 0.6912 0.000 1.000
#> 28031 1 0.9970 0.7263 0.532 0.468
#> 28032 2 0.0000 0.6912 0.000 1.000
#> 28035 1 0.9896 0.7577 0.560 0.440
#> 28036 2 0.0000 0.6912 0.000 1.000
#> 28037 1 0.9896 0.7577 0.560 0.440
#> 28042 2 0.4431 0.6420 0.092 0.908
#> 28043 2 0.0000 0.6912 0.000 1.000
#> 28044 2 0.0000 0.6912 0.000 1.000
#> 28047 2 0.0000 0.6912 0.000 1.000
#> 30001 1 0.9896 0.7577 0.560 0.440
#> 31007 2 0.8499 -0.0124 0.276 0.724
#> 31011 2 0.0000 0.6912 0.000 1.000
#> 33005 1 0.9896 0.7577 0.560 0.440
#> 36001 1 0.9608 0.7174 0.616 0.384
#> 36002 2 0.1843 0.6618 0.028 0.972
#> 37013 1 1.0000 0.6840 0.504 0.496
#> 43001 1 0.9896 0.7577 0.560 0.440
#> 43004 2 0.8386 0.0453 0.268 0.732
#> 43007 2 0.0672 0.6838 0.008 0.992
#> 43012 2 0.0672 0.6885 0.008 0.992
#> 48001 1 0.9896 0.7577 0.560 0.440
#> 49006 2 0.1843 0.6618 0.028 0.972
#> 57001 2 0.3274 0.6300 0.060 0.940
#> 62001 2 0.0000 0.6912 0.000 1.000
#> 62002 2 0.0000 0.6912 0.000 1.000
#> 62003 1 0.9896 0.7577 0.560 0.440
#> 63001 2 0.0000 0.6912 0.000 1.000
#> 64001 1 1.0000 0.6778 0.500 0.500
#> 64002 1 0.9896 0.7577 0.560 0.440
#> 65005 2 0.1633 0.6666 0.024 0.976
#> 68001 1 0.9881 0.7560 0.564 0.436
#> 68003 2 0.0672 0.6839 0.008 0.992
#> 84004 2 0.0000 0.6912 0.000 1.000
#> LAL5 2 0.1843 0.6788 0.028 0.972
#> 01003 2 0.9896 0.4872 0.440 0.560
#> 01007 1 0.0000 0.4291 1.000 0.000
#> 02020 1 0.0000 0.4291 1.000 0.000
#> 04018 2 0.9922 0.4814 0.448 0.552
#> 09002 2 0.9933 0.4800 0.452 0.548
#> 10005 2 0.9866 0.4894 0.432 0.568
#> 11002 2 0.9896 0.4872 0.440 0.560
#> 12008 1 0.1414 0.4121 0.980 0.020
#> 15006 1 0.0000 0.4291 1.000 0.000
#> 16002 2 0.9896 0.4872 0.440 0.560
#> 16007 2 0.9896 0.4872 0.440 0.560
#> 17003 1 0.0000 0.4291 1.000 0.000
#> 18001 2 0.9896 0.4872 0.440 0.560
#> 19002 1 0.0000 0.4291 1.000 0.000
#> 19008 2 0.9896 0.4872 0.440 0.560
#> 19014 1 0.0000 0.4291 1.000 0.000
#> 19017 2 0.9896 0.4872 0.440 0.560
#> 20005 2 0.9896 0.4872 0.440 0.560
#> 24006 1 0.0000 0.4291 1.000 0.000
#> 26009 1 0.0000 0.4291 1.000 0.000
#> 28008 2 0.9896 0.4872 0.440 0.560
#> 28009 1 0.1843 0.4008 0.972 0.028
#> 31015 2 0.9896 0.4872 0.440 0.560
#> 37001 1 0.0000 0.4291 1.000 0.000
#> 43006 2 0.9896 0.4872 0.440 0.560
#> 43015 1 0.8955 -0.1634 0.688 0.312
#> 44001 1 0.3879 0.3495 0.924 0.076
#> 49004 2 0.9896 0.4872 0.440 0.560
#> 56007 2 0.9896 0.4872 0.440 0.560
#> 64005 1 0.0000 0.4291 1.000 0.000
#> 65003 2 0.9896 0.4872 0.440 0.560
#> 83001 1 0.0000 0.4291 1.000 0.000
#> LAL4 1 0.1843 0.4008 0.972 0.028
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.1964 0.723 0.056 0.000 0.944
#> 01010 1 0.0000 0.905 1.000 0.000 0.000
#> 03002 3 0.0424 0.687 0.000 0.008 0.992
#> 04006 1 0.0000 0.905 1.000 0.000 0.000
#> 04007 3 0.0000 0.692 0.000 0.000 1.000
#> 04008 3 0.5529 0.703 0.296 0.000 0.704
#> 04010 1 0.0000 0.905 1.000 0.000 0.000
#> 04016 3 0.5968 0.621 0.364 0.000 0.636
#> 06002 3 0.5363 0.722 0.276 0.000 0.724
#> 08001 2 0.6140 0.702 0.000 0.596 0.404
#> 08011 3 0.3412 0.745 0.124 0.000 0.876
#> 08012 3 0.3619 0.745 0.136 0.000 0.864
#> 08018 3 0.4555 0.742 0.200 0.000 0.800
#> 08024 3 0.5363 0.722 0.276 0.000 0.724
#> 09008 1 0.0000 0.905 1.000 0.000 0.000
#> 09017 2 0.8198 0.727 0.100 0.596 0.304
#> 11005 2 0.6140 0.702 0.000 0.596 0.404
#> 12006 3 0.4665 0.627 0.048 0.100 0.852
#> 12007 3 0.1964 0.723 0.056 0.000 0.944
#> 12012 3 0.2878 0.740 0.096 0.000 0.904
#> 12019 3 0.5363 0.722 0.276 0.000 0.724
#> 12026 3 0.6986 0.715 0.180 0.096 0.724
#> 14016 3 0.5621 0.695 0.308 0.000 0.692
#> 15001 3 0.5363 0.722 0.276 0.000 0.724
#> 15004 2 0.8689 0.686 0.200 0.596 0.204
#> 15005 1 0.5397 0.441 0.720 0.000 0.280
#> 16004 1 0.0000 0.905 1.000 0.000 0.000
#> 16009 1 0.0000 0.905 1.000 0.000 0.000
#> 19005 3 0.6204 0.538 0.424 0.000 0.576
#> 20002 3 0.5363 0.722 0.276 0.000 0.724
#> 22009 3 0.6154 0.564 0.408 0.000 0.592
#> 22010 2 0.7061 0.536 0.332 0.632 0.036
#> 22011 3 0.2625 0.736 0.084 0.000 0.916
#> 22013 3 0.5363 0.722 0.276 0.000 0.724
#> 24001 3 0.3038 0.742 0.104 0.000 0.896
#> 24005 2 0.8576 0.703 0.152 0.596 0.252
#> 24008 3 0.5363 0.722 0.276 0.000 0.724
#> 24010 3 0.0000 0.692 0.000 0.000 1.000
#> 24011 3 0.5363 0.722 0.276 0.000 0.724
#> 24017 1 0.0000 0.905 1.000 0.000 0.000
#> 24018 1 0.5678 0.271 0.684 0.000 0.316
#> 24019 1 0.0000 0.905 1.000 0.000 0.000
#> 24022 2 0.7158 0.716 0.032 0.596 0.372
#> 25003 3 0.5254 0.725 0.264 0.000 0.736
#> 25006 1 0.0000 0.905 1.000 0.000 0.000
#> 26001 3 0.5621 0.696 0.308 0.000 0.692
#> 26003 2 0.6140 0.702 0.000 0.596 0.404
#> 26005 3 0.5363 0.722 0.276 0.000 0.724
#> 26008 1 0.0000 0.905 1.000 0.000 0.000
#> 27003 2 0.8198 0.727 0.100 0.596 0.304
#> 27004 2 0.6140 0.702 0.000 0.596 0.404
#> 28001 2 0.7741 0.491 0.376 0.568 0.056
#> 28003 2 0.7263 0.470 0.400 0.568 0.032
#> 28005 2 0.8068 0.727 0.088 0.596 0.316
#> 28006 2 0.8198 0.727 0.100 0.596 0.304
#> 28007 2 0.8238 0.727 0.104 0.596 0.300
#> 28019 1 0.0000 0.905 1.000 0.000 0.000
#> 28021 1 0.0000 0.905 1.000 0.000 0.000
#> 28023 2 0.8437 0.725 0.128 0.596 0.276
#> 28024 2 0.7807 0.726 0.068 0.596 0.336
#> 28028 2 0.6140 0.702 0.000 0.596 0.404
#> 28031 2 0.6442 0.415 0.432 0.564 0.004
#> 28032 2 0.7748 0.725 0.064 0.596 0.340
#> 28035 1 0.0000 0.905 1.000 0.000 0.000
#> 28036 2 0.7552 0.723 0.052 0.596 0.352
#> 28037 1 0.0000 0.905 1.000 0.000 0.000
#> 28042 2 0.6994 0.724 0.028 0.612 0.360
#> 28043 2 0.6140 0.702 0.000 0.596 0.404
#> 28044 2 0.8198 0.727 0.100 0.596 0.304
#> 28047 2 0.8198 0.727 0.100 0.596 0.304
#> 30001 1 0.0000 0.905 1.000 0.000 0.000
#> 31007 2 0.7181 0.437 0.408 0.564 0.028
#> 31011 2 0.6140 0.702 0.000 0.596 0.404
#> 33005 1 0.0000 0.905 1.000 0.000 0.000
#> 36001 1 0.3551 0.739 0.868 0.000 0.132
#> 36002 3 0.4842 0.254 0.000 0.224 0.776
#> 37013 3 0.6835 0.665 0.284 0.040 0.676
#> 43001 3 0.6126 0.577 0.400 0.000 0.600
#> 43004 2 0.8880 0.622 0.268 0.564 0.168
#> 43007 3 0.0237 0.694 0.004 0.000 0.996
#> 43012 2 0.8408 0.726 0.124 0.596 0.280
#> 48001 1 0.1163 0.870 0.972 0.000 0.028
#> 49006 3 0.0000 0.692 0.000 0.000 1.000
#> 57001 2 0.7600 0.686 0.056 0.600 0.344
#> 62001 2 0.8198 0.727 0.100 0.596 0.304
#> 62002 2 0.7620 0.724 0.056 0.596 0.348
#> 62003 3 0.6154 0.564 0.408 0.000 0.592
#> 63001 3 0.2959 0.737 0.100 0.000 0.900
#> 64001 3 0.3038 0.742 0.104 0.000 0.896
#> 64002 1 0.0000 0.905 1.000 0.000 0.000
#> 65005 3 0.0000 0.692 0.000 0.000 1.000
#> 68001 1 0.0000 0.905 1.000 0.000 0.000
#> 68003 2 0.6140 0.702 0.000 0.596 0.404
#> 84004 2 0.6140 0.702 0.000 0.596 0.404
#> LAL5 2 0.6632 0.700 0.012 0.596 0.392
#> 01003 2 0.0000 0.702 0.000 1.000 0.000
#> 01007 2 0.7389 -0.332 0.032 0.504 0.464
#> 02020 2 0.1289 0.686 0.032 0.968 0.000
#> 04018 2 0.0000 0.702 0.000 1.000 0.000
#> 09002 3 0.6204 0.471 0.000 0.424 0.576
#> 10005 3 0.6045 0.509 0.000 0.380 0.620
#> 11002 2 0.5291 0.737 0.000 0.732 0.268
#> 12008 3 0.6140 0.484 0.000 0.404 0.596
#> 15006 1 0.6126 0.433 0.600 0.400 0.000
#> 16002 2 0.0000 0.702 0.000 1.000 0.000
#> 16007 2 0.0000 0.702 0.000 1.000 0.000
#> 17003 3 0.8457 0.407 0.092 0.396 0.512
#> 18001 2 0.0000 0.702 0.000 1.000 0.000
#> 19002 2 0.1289 0.686 0.032 0.968 0.000
#> 19008 2 0.0000 0.702 0.000 1.000 0.000
#> 19014 2 0.3038 0.670 0.104 0.896 0.000
#> 19017 2 0.0000 0.702 0.000 1.000 0.000
#> 20005 2 0.4235 0.733 0.000 0.824 0.176
#> 24006 2 0.1289 0.686 0.032 0.968 0.000
#> 26009 1 0.6140 0.428 0.596 0.404 0.000
#> 28008 2 0.3412 0.727 0.000 0.876 0.124
#> 28009 2 0.1289 0.686 0.032 0.968 0.000
#> 31015 2 0.0000 0.702 0.000 1.000 0.000
#> 37001 2 0.2066 0.665 0.060 0.940 0.000
#> 43006 2 0.0000 0.702 0.000 1.000 0.000
#> 43015 2 0.3192 0.601 0.000 0.888 0.112
#> 44001 2 0.0747 0.694 0.016 0.984 0.000
#> 49004 3 0.6291 0.415 0.000 0.468 0.532
#> 56007 2 0.0000 0.702 0.000 1.000 0.000
#> 64005 2 0.1525 0.684 0.032 0.964 0.004
#> 65003 2 0.0000 0.702 0.000 1.000 0.000
#> 83001 2 0.5921 0.401 0.032 0.756 0.212
#> LAL4 2 0.1411 0.686 0.036 0.964 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 03002 3 0.4431 0.5763 0.000 0.000 0.696 0.304
#> 04006 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 04008 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 04010 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 08001 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 08011 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 09017 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 11005 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 12006 3 0.5000 0.0659 0.000 0.000 0.504 0.496
#> 12007 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 15005 3 0.4761 0.3871 0.372 0.000 0.628 0.000
#> 16004 1 0.0469 0.9484 0.988 0.012 0.000 0.000
#> 16009 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 19005 3 0.4332 0.7508 0.160 0.040 0.800 0.000
#> 20002 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 22009 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 22010 2 0.4134 0.6330 0.000 0.740 0.000 0.260
#> 22011 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 24005 4 0.0188 0.9379 0.000 0.000 0.004 0.996
#> 24008 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 24010 3 0.3400 0.7713 0.000 0.000 0.820 0.180
#> 24011 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 24018 2 0.4916 0.2280 0.424 0.576 0.000 0.000
#> 24019 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28001 4 0.4406 0.5667 0.000 0.300 0.000 0.700
#> 28003 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 28023 4 0.3610 0.7379 0.200 0.000 0.000 0.800
#> 28024 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28031 4 0.3610 0.7379 0.200 0.000 0.000 0.800
#> 28032 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 31007 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 31011 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 36001 1 0.1940 0.8815 0.924 0.000 0.076 0.000
#> 36002 4 0.4761 0.3488 0.000 0.000 0.372 0.628
#> 37013 3 0.4277 0.6268 0.000 0.000 0.720 0.280
#> 43001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 43012 4 0.0707 0.9265 0.020 0.000 0.000 0.980
#> 48001 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 57001 4 0.0469 0.9320 0.000 0.000 0.012 0.988
#> 62001 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 62003 3 0.4277 0.5951 0.000 0.280 0.720 0.000
#> 63001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9333 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.9582 1.000 0.000 0.000 0.000
#> 68003 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 84004 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> LAL5 4 0.0000 0.9407 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 10005 3 0.3610 0.7296 0.000 0.200 0.800 0.000
#> 11002 4 0.1389 0.9040 0.000 0.048 0.000 0.952
#> 12008 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 15006 1 0.4193 0.6114 0.732 0.268 0.000 0.000
#> 16002 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 18001 4 0.4967 0.1881 0.000 0.452 0.000 0.548
#> 19002 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 19008 2 0.1716 0.8976 0.000 0.936 0.000 0.064
#> 19014 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 20005 4 0.3610 0.7345 0.000 0.200 0.000 0.800
#> 24006 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 26009 1 0.4977 0.1480 0.540 0.460 0.000 0.000
#> 28008 4 0.4134 0.6434 0.000 0.260 0.000 0.740
#> 28009 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 43006 2 0.3219 0.7803 0.000 0.836 0.000 0.164
#> 43015 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.9613 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.9613 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 01010 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 03002 3 0.3816 0.52030 0.000 0.000 0.696 0.304 0.000
#> 04006 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 04008 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 04010 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0609 0.91048 0.000 0.000 0.980 0.000 0.020
#> 06002 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 08001 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 08011 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 08018 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 08024 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 09008 1 0.0162 0.90517 0.996 0.000 0.000 0.000 0.004
#> 09017 4 0.1270 0.80330 0.000 0.000 0.000 0.948 0.052
#> 11005 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 12006 4 0.5546 -0.00604 0.000 0.000 0.436 0.496 0.068
#> 12007 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 12012 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 12019 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 12026 3 0.1544 0.86528 0.000 0.000 0.932 0.000 0.068
#> 14016 3 0.3636 0.54337 0.000 0.000 0.728 0.000 0.272
#> 15001 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 15004 4 0.4114 0.53096 0.000 0.000 0.000 0.624 0.376
#> 15005 5 0.4626 0.49932 0.020 0.000 0.364 0.000 0.616
#> 16004 5 0.0162 0.67420 0.004 0.000 0.000 0.000 0.996
#> 16009 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 19005 5 0.0162 0.67561 0.000 0.000 0.004 0.000 0.996
#> 20002 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 22009 5 0.4126 0.48140 0.000 0.000 0.380 0.000 0.620
#> 22010 2 0.6203 0.30725 0.000 0.552 0.000 0.224 0.224
#> 22011 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 22013 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 24001 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 24005 4 0.4114 0.53096 0.000 0.000 0.000 0.624 0.376
#> 24008 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 24010 3 0.3086 0.71359 0.000 0.000 0.816 0.180 0.004
#> 24011 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 24017 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 24018 5 0.3231 0.58087 0.196 0.004 0.000 0.000 0.800
#> 24019 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 25003 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 25006 1 0.4219 0.15655 0.584 0.000 0.000 0.000 0.416
#> 26001 3 0.1544 0.86528 0.000 0.000 0.932 0.000 0.068
#> 26003 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 26005 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 27004 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28001 5 0.4074 0.43224 0.000 0.000 0.000 0.364 0.636
#> 28003 5 0.2377 0.60065 0.000 0.000 0.000 0.128 0.872
#> 28005 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28006 4 0.0162 0.84164 0.000 0.000 0.000 0.996 0.004
#> 28007 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28019 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 28023 4 0.3109 0.67350 0.200 0.000 0.000 0.800 0.000
#> 28024 4 0.0162 0.84228 0.000 0.000 0.000 0.996 0.004
#> 28028 4 0.4114 0.53096 0.000 0.000 0.000 0.624 0.376
#> 28031 5 0.0162 0.67495 0.000 0.000 0.000 0.004 0.996
#> 28032 4 0.4114 0.53096 0.000 0.000 0.000 0.624 0.376
#> 28035 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28037 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28043 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28044 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 28047 4 0.3913 0.59075 0.000 0.000 0.000 0.676 0.324
#> 30001 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 31007 5 0.1197 0.66079 0.000 0.000 0.000 0.048 0.952
#> 31011 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 33005 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 36001 5 0.4437 0.13207 0.464 0.004 0.000 0.000 0.532
#> 36002 4 0.4101 0.32952 0.000 0.000 0.372 0.628 0.000
#> 37013 3 0.5264 0.49474 0.000 0.000 0.652 0.256 0.092
#> 43001 5 0.4126 0.48140 0.000 0.000 0.380 0.000 0.620
#> 43004 5 0.4171 0.38608 0.000 0.000 0.000 0.396 0.604
#> 43007 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 43012 4 0.4114 0.53096 0.000 0.000 0.000 0.624 0.376
#> 48001 5 0.3196 0.58436 0.192 0.004 0.000 0.000 0.804
#> 49006 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 57001 4 0.0968 0.83233 0.000 0.004 0.012 0.972 0.012
#> 62001 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 62002 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 62003 5 0.4126 0.48140 0.000 0.000 0.380 0.000 0.620
#> 63001 3 0.4114 0.39388 0.000 0.000 0.624 0.000 0.376
#> 64001 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 64002 1 0.0000 0.90861 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.92648 0.000 0.000 1.000 0.000 0.000
#> 68001 1 0.0162 0.90523 0.996 0.000 0.000 0.000 0.004
#> 68003 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> 84004 4 0.0000 0.84354 0.000 0.000 0.000 1.000 0.000
#> LAL5 4 0.0290 0.84074 0.000 0.000 0.000 0.992 0.008
#> 01003 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 02020 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 10005 3 0.3266 0.66330 0.000 0.200 0.796 0.000 0.004
#> 11002 4 0.1357 0.81271 0.000 0.048 0.000 0.948 0.004
#> 12008 2 0.0162 0.94640 0.000 0.996 0.004 0.000 0.000
#> 15006 1 0.4114 0.37749 0.624 0.376 0.000 0.000 0.000
#> 16002 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 17003 2 0.3730 0.60811 0.000 0.712 0.000 0.000 0.288
#> 18001 4 0.4708 0.22832 0.000 0.436 0.000 0.548 0.016
#> 19002 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 19008 2 0.1478 0.88896 0.000 0.936 0.000 0.064 0.000
#> 19014 2 0.0963 0.92245 0.000 0.964 0.000 0.000 0.036
#> 19017 2 0.0162 0.94751 0.000 0.996 0.000 0.000 0.004
#> 20005 4 0.3231 0.67496 0.000 0.196 0.000 0.800 0.004
#> 24006 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 26009 1 0.4268 0.17178 0.556 0.444 0.000 0.000 0.000
#> 28008 4 0.3715 0.60110 0.000 0.260 0.000 0.736 0.004
#> 28009 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 31015 2 0.0162 0.94751 0.000 0.996 0.000 0.000 0.004
#> 37001 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 43006 2 0.2773 0.76457 0.000 0.836 0.000 0.164 0.000
#> 43015 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 44001 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 49004 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> 83001 2 0.0000 0.94967 0.000 1.000 0.000 0.000 0.000
#> LAL4 2 0.3039 0.75789 0.000 0.808 0.000 0.000 0.192
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 01010 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 3 0.3428 0.5051 0.000 0.000 0.696 0.304 0.000 0.000
#> 04006 1 0.2378 0.8471 0.848 0.000 0.000 0.000 0.000 0.152
#> 04007 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 04008 3 0.2135 0.7884 0.000 0.000 0.872 0.000 0.000 0.128
#> 04010 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0547 0.8957 0.000 0.000 0.980 0.000 0.020 0.000
#> 06002 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 08001 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 08011 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 08012 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 08018 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 08024 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 09008 1 0.0146 0.8714 0.996 0.000 0.000 0.000 0.004 0.000
#> 09017 4 0.1556 0.7671 0.000 0.000 0.000 0.920 0.080 0.000
#> 11005 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 12006 4 0.5509 0.0934 0.000 0.000 0.368 0.496 0.136 0.000
#> 12007 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 12012 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 12019 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 12026 3 0.2219 0.7782 0.000 0.000 0.864 0.000 0.136 0.000
#> 14016 3 0.3578 0.4034 0.000 0.000 0.660 0.000 0.340 0.000
#> 15001 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 15004 4 0.3706 0.5177 0.000 0.000 0.000 0.620 0.380 0.000
#> 15005 5 0.4004 0.4513 0.012 0.000 0.368 0.000 0.620 0.000
#> 16004 5 0.0000 0.5909 0.000 0.000 0.000 0.000 1.000 0.000
#> 16009 1 0.2378 0.8471 0.848 0.000 0.000 0.000 0.000 0.152
#> 19005 5 0.0000 0.5909 0.000 0.000 0.000 0.000 1.000 0.000
#> 20002 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 22009 5 0.4553 0.4988 0.000 0.000 0.328 0.000 0.620 0.052
#> 22010 2 0.6635 0.2348 0.000 0.528 0.000 0.136 0.224 0.112
#> 22011 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 22013 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 24001 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 24005 4 0.3706 0.5177 0.000 0.000 0.000 0.620 0.380 0.000
#> 24008 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 24010 3 0.5292 0.4380 0.000 0.000 0.600 0.180 0.000 0.220
#> 24011 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 24017 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 5 0.3012 0.5568 0.196 0.000 0.000 0.000 0.796 0.008
#> 24019 1 0.2378 0.8471 0.848 0.000 0.000 0.000 0.000 0.152
#> 24022 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 25003 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 25006 1 0.5283 0.4978 0.588 0.000 0.000 0.000 0.264 0.148
#> 26001 3 0.2219 0.7782 0.000 0.000 0.864 0.000 0.136 0.000
#> 26003 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 26005 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 1 0.2378 0.8471 0.848 0.000 0.000 0.000 0.000 0.152
#> 27003 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 27004 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28001 5 0.4052 0.4106 0.000 0.000 0.000 0.356 0.628 0.016
#> 28003 5 0.2597 0.4482 0.000 0.000 0.000 0.176 0.824 0.000
#> 28005 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28006 4 0.3747 0.3098 0.000 0.000 0.000 0.604 0.000 0.396
#> 28007 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28019 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 28023 4 0.2793 0.6493 0.200 0.000 0.000 0.800 0.000 0.000
#> 28024 4 0.0146 0.8296 0.000 0.000 0.000 0.996 0.004 0.000
#> 28028 4 0.3706 0.5177 0.000 0.000 0.000 0.620 0.380 0.000
#> 28031 5 0.0000 0.5909 0.000 0.000 0.000 0.000 1.000 0.000
#> 28032 4 0.3706 0.5177 0.000 0.000 0.000 0.620 0.380 0.000
#> 28035 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28043 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28044 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 28047 4 0.3531 0.5756 0.000 0.000 0.000 0.672 0.328 0.000
#> 30001 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 31007 5 0.2793 0.4351 0.000 0.000 0.000 0.000 0.800 0.200
#> 31011 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 1 0.0000 0.8737 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 5 0.3854 0.0808 0.464 0.000 0.000 0.000 0.536 0.000
#> 36002 4 0.3684 0.3380 0.000 0.000 0.372 0.628 0.000 0.000
#> 37013 3 0.5277 0.3826 0.000 0.000 0.592 0.256 0.152 0.000
#> 43001 5 0.3706 0.4305 0.000 0.000 0.380 0.000 0.620 0.000
#> 43004 5 0.3797 0.3111 0.000 0.000 0.000 0.420 0.580 0.000
#> 43007 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 43012 4 0.3706 0.5177 0.000 0.000 0.000 0.620 0.380 0.000
#> 48001 5 0.2762 0.5575 0.196 0.000 0.000 0.000 0.804 0.000
#> 49006 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 57001 4 0.0820 0.8179 0.000 0.000 0.012 0.972 0.016 0.000
#> 62001 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 62002 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 62003 5 0.4371 0.4829 0.000 0.000 0.344 0.000 0.620 0.036
#> 63001 3 0.4322 0.3363 0.000 0.000 0.600 0.000 0.372 0.028
#> 64001 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 64002 1 0.2378 0.8471 0.848 0.000 0.000 0.000 0.000 0.152
#> 65005 3 0.0000 0.9116 0.000 0.000 1.000 0.000 0.000 0.000
#> 68001 1 0.2520 0.8450 0.844 0.000 0.000 0.000 0.004 0.152
#> 68003 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> 84004 4 0.0000 0.8311 0.000 0.000 0.000 1.000 0.000 0.000
#> LAL5 4 0.0260 0.8278 0.000 0.000 0.000 0.992 0.008 0.000
#> 01003 2 0.3860 -0.2239 0.000 0.528 0.000 0.000 0.000 0.472
#> 01007 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 02020 2 0.3023 0.6418 0.000 0.768 0.000 0.000 0.000 0.232
#> 04018 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 10005 6 0.2778 0.4932 0.000 0.008 0.168 0.000 0.000 0.824
#> 11002 6 0.2491 0.5705 0.000 0.000 0.000 0.164 0.000 0.836
#> 12008 2 0.1957 0.7846 0.000 0.888 0.000 0.000 0.000 0.112
#> 15006 1 0.5467 0.5109 0.544 0.304 0.000 0.000 0.000 0.152
#> 16002 2 0.3023 0.5525 0.000 0.768 0.000 0.000 0.000 0.232
#> 16007 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 17003 6 0.5307 0.5333 0.000 0.256 0.000 0.000 0.156 0.588
#> 18001 6 0.4292 0.3057 0.000 0.024 0.000 0.388 0.000 0.588
#> 19002 2 0.0146 0.8411 0.000 0.996 0.000 0.000 0.000 0.004
#> 19008 2 0.3068 0.7396 0.000 0.840 0.000 0.072 0.000 0.088
#> 19014 6 0.4002 0.3765 0.000 0.404 0.000 0.000 0.008 0.588
#> 19017 6 0.3782 0.3597 0.000 0.412 0.000 0.000 0.000 0.588
#> 20005 4 0.4199 0.1793 0.000 0.016 0.000 0.568 0.000 0.416
#> 24006 2 0.0260 0.8396 0.000 0.992 0.000 0.000 0.000 0.008
#> 26009 1 0.5723 0.2508 0.428 0.408 0.000 0.000 0.000 0.164
#> 28008 6 0.4154 0.5560 0.000 0.096 0.000 0.164 0.000 0.740
#> 28009 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 31015 6 0.2378 0.6077 0.000 0.152 0.000 0.000 0.000 0.848
#> 37001 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 2 0.2597 0.6031 0.000 0.824 0.000 0.176 0.000 0.000
#> 43015 2 0.2092 0.7749 0.000 0.876 0.000 0.000 0.000 0.124
#> 44001 2 0.1501 0.7951 0.000 0.924 0.000 0.000 0.000 0.076
#> 49004 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 64005 2 0.1910 0.7878 0.000 0.892 0.000 0.000 0.000 0.108
#> 65003 2 0.0000 0.8422 0.000 1.000 0.000 0.000 0.000 0.000
#> 83001 2 0.3023 0.6420 0.000 0.768 0.000 0.000 0.000 0.232
#> LAL4 6 0.5127 0.5121 0.000 0.300 0.000 0.000 0.112 0.588
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:pam 85 0.553 0.121 1.49e-01 2
#> CV:pam 113 0.278 0.874 9.29e-05 3
#> CV:pam 122 0.557 0.807 4.47e-15 4
#> CV:pam 112 0.633 0.856 1.19e-14 5
#> CV:pam 103 0.509 0.765 1.38e-22 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "mclust"]
# you can also extract it by
# res = res_list["CV:mclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.983 0.992 0.3902 0.614 0.614
#> 3 3 0.577 0.705 0.821 0.6195 0.725 0.552
#> 4 4 0.942 0.936 0.971 0.1794 0.910 0.737
#> 5 5 0.831 0.858 0.871 0.0399 1.000 1.000
#> 6 6 0.792 0.658 0.795 0.0332 0.924 0.713
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
#> attr(,"optional")
#> [1] 2
There is also optional best \(k\) = 2 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0000 0.991 1.000 0.000
#> 01010 1 0.0376 0.990 0.996 0.004
#> 03002 1 0.0000 0.991 1.000 0.000
#> 04006 1 0.0376 0.990 0.996 0.004
#> 04007 1 0.0000 0.991 1.000 0.000
#> 04008 1 0.0376 0.990 0.996 0.004
#> 04010 1 0.0376 0.990 0.996 0.004
#> 04016 1 0.0000 0.991 1.000 0.000
#> 06002 1 0.0000 0.991 1.000 0.000
#> 08001 1 0.0000 0.991 1.000 0.000
#> 08011 1 0.0000 0.991 1.000 0.000
#> 08012 1 0.0000 0.991 1.000 0.000
#> 08018 1 0.0000 0.991 1.000 0.000
#> 08024 1 0.0000 0.991 1.000 0.000
#> 09008 1 0.0376 0.990 0.996 0.004
#> 09017 1 0.0000 0.991 1.000 0.000
#> 11005 1 0.0000 0.991 1.000 0.000
#> 12006 1 0.0000 0.991 1.000 0.000
#> 12007 1 0.0000 0.991 1.000 0.000
#> 12012 1 0.0000 0.991 1.000 0.000
#> 12019 1 0.0000 0.991 1.000 0.000
#> 12026 1 0.0376 0.990 0.996 0.004
#> 14016 1 0.0376 0.990 0.996 0.004
#> 15001 1 0.0000 0.991 1.000 0.000
#> 15004 1 0.0000 0.991 1.000 0.000
#> 15005 1 0.0376 0.990 0.996 0.004
#> 16004 1 0.0672 0.987 0.992 0.008
#> 16009 1 0.0376 0.990 0.996 0.004
#> 19005 1 0.0376 0.990 0.996 0.004
#> 20002 1 0.0376 0.990 0.996 0.004
#> 22009 1 0.0000 0.991 1.000 0.000
#> 22010 1 0.8608 0.615 0.716 0.284
#> 22011 1 0.0000 0.991 1.000 0.000
#> 22013 1 0.0000 0.991 1.000 0.000
#> 24001 1 0.0000 0.991 1.000 0.000
#> 24005 1 0.0000 0.991 1.000 0.000
#> 24008 1 0.0000 0.991 1.000 0.000
#> 24010 1 0.0376 0.990 0.996 0.004
#> 24011 1 0.0000 0.991 1.000 0.000
#> 24017 1 0.0376 0.990 0.996 0.004
#> 24018 1 0.0376 0.990 0.996 0.004
#> 24019 1 0.0376 0.990 0.996 0.004
#> 24022 1 0.0000 0.991 1.000 0.000
#> 25003 1 0.0000 0.991 1.000 0.000
#> 25006 1 0.0376 0.990 0.996 0.004
#> 26001 1 0.0000 0.991 1.000 0.000
#> 26003 1 0.0000 0.991 1.000 0.000
#> 26005 1 0.0000 0.991 1.000 0.000
#> 26008 1 0.0376 0.990 0.996 0.004
#> 27003 1 0.0376 0.990 0.996 0.004
#> 27004 1 0.0000 0.991 1.000 0.000
#> 28001 1 0.7219 0.758 0.800 0.200
#> 28003 1 0.0376 0.990 0.996 0.004
#> 28005 1 0.0000 0.991 1.000 0.000
#> 28006 1 0.0376 0.990 0.996 0.004
#> 28007 1 0.0000 0.991 1.000 0.000
#> 28019 1 0.0376 0.990 0.996 0.004
#> 28021 1 0.0376 0.990 0.996 0.004
#> 28023 1 0.0000 0.991 1.000 0.000
#> 28024 1 0.0000 0.991 1.000 0.000
#> 28028 1 0.0000 0.991 1.000 0.000
#> 28031 1 0.0000 0.991 1.000 0.000
#> 28032 1 0.0000 0.991 1.000 0.000
#> 28035 1 0.0376 0.990 0.996 0.004
#> 28036 1 0.0000 0.991 1.000 0.000
#> 28037 1 0.0376 0.990 0.996 0.004
#> 28042 1 0.0376 0.990 0.996 0.004
#> 28043 1 0.0000 0.991 1.000 0.000
#> 28044 1 0.0000 0.991 1.000 0.000
#> 28047 1 0.0000 0.991 1.000 0.000
#> 30001 1 0.0376 0.990 0.996 0.004
#> 31007 1 0.7219 0.758 0.800 0.200
#> 31011 1 0.0000 0.991 1.000 0.000
#> 33005 1 0.0376 0.990 0.996 0.004
#> 36001 1 0.0376 0.990 0.996 0.004
#> 36002 1 0.0000 0.991 1.000 0.000
#> 37013 1 0.0000 0.991 1.000 0.000
#> 43001 1 0.0000 0.991 1.000 0.000
#> 43004 1 0.0000 0.991 1.000 0.000
#> 43007 1 0.0000 0.991 1.000 0.000
#> 43012 1 0.0000 0.991 1.000 0.000
#> 48001 1 0.0376 0.990 0.996 0.004
#> 49006 1 0.0000 0.991 1.000 0.000
#> 57001 1 0.0000 0.991 1.000 0.000
#> 62001 1 0.0000 0.991 1.000 0.000
#> 62002 1 0.0000 0.991 1.000 0.000
#> 62003 1 0.0376 0.990 0.996 0.004
#> 63001 1 0.0376 0.990 0.996 0.004
#> 64001 1 0.0000 0.991 1.000 0.000
#> 64002 1 0.0376 0.990 0.996 0.004
#> 65005 1 0.0000 0.991 1.000 0.000
#> 68001 1 0.0376 0.990 0.996 0.004
#> 68003 1 0.0000 0.991 1.000 0.000
#> 84004 1 0.0000 0.991 1.000 0.000
#> LAL5 1 0.0000 0.991 1.000 0.000
#> 01003 2 0.0000 0.994 0.000 1.000
#> 01007 2 0.0000 0.994 0.000 1.000
#> 02020 2 0.0000 0.994 0.000 1.000
#> 04018 2 0.0000 0.994 0.000 1.000
#> 09002 2 0.0000 0.994 0.000 1.000
#> 10005 2 0.0000 0.994 0.000 1.000
#> 11002 2 0.0000 0.994 0.000 1.000
#> 12008 2 0.0000 0.994 0.000 1.000
#> 15006 2 0.5737 0.843 0.136 0.864
#> 16002 2 0.0000 0.994 0.000 1.000
#> 16007 2 0.0000 0.994 0.000 1.000
#> 17003 2 0.0000 0.994 0.000 1.000
#> 18001 2 0.0000 0.994 0.000 1.000
#> 19002 2 0.0000 0.994 0.000 1.000
#> 19008 2 0.0000 0.994 0.000 1.000
#> 19014 2 0.0000 0.994 0.000 1.000
#> 19017 2 0.0000 0.994 0.000 1.000
#> 20005 2 0.0000 0.994 0.000 1.000
#> 24006 2 0.0000 0.994 0.000 1.000
#> 26009 2 0.3114 0.939 0.056 0.944
#> 28008 2 0.0000 0.994 0.000 1.000
#> 28009 2 0.0000 0.994 0.000 1.000
#> 31015 2 0.0000 0.994 0.000 1.000
#> 37001 2 0.0000 0.994 0.000 1.000
#> 43006 2 0.0000 0.994 0.000 1.000
#> 43015 2 0.0000 0.994 0.000 1.000
#> 44001 2 0.0000 0.994 0.000 1.000
#> 49004 2 0.0000 0.994 0.000 1.000
#> 56007 2 0.0000 0.994 0.000 1.000
#> 64005 2 0.0000 0.994 0.000 1.000
#> 65003 2 0.0000 0.994 0.000 1.000
#> 83001 2 0.0000 0.994 0.000 1.000
#> LAL4 2 0.0000 0.994 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.889 0.000 0.000 1.000
#> 01010 1 0.5650 0.321 0.688 0.000 0.312
#> 03002 3 0.0000 0.889 0.000 0.000 1.000
#> 04006 1 0.6299 0.033 0.524 0.000 0.476
#> 04007 3 0.3941 0.662 0.156 0.000 0.844
#> 04008 3 0.2261 0.851 0.068 0.000 0.932
#> 04010 1 0.1289 0.552 0.968 0.000 0.032
#> 04016 3 0.1964 0.855 0.056 0.000 0.944
#> 06002 3 0.3192 0.793 0.112 0.000 0.888
#> 08001 3 0.5098 0.437 0.248 0.000 0.752
#> 08011 3 0.0000 0.889 0.000 0.000 1.000
#> 08012 3 0.3192 0.793 0.112 0.000 0.888
#> 08018 3 0.3192 0.793 0.112 0.000 0.888
#> 08024 3 0.0000 0.889 0.000 0.000 1.000
#> 09008 1 0.1289 0.552 0.968 0.000 0.032
#> 09017 3 0.6267 -0.258 0.452 0.000 0.548
#> 11005 3 0.0000 0.889 0.000 0.000 1.000
#> 12006 3 0.0000 0.889 0.000 0.000 1.000
#> 12007 3 0.0000 0.889 0.000 0.000 1.000
#> 12012 3 0.0000 0.889 0.000 0.000 1.000
#> 12019 3 0.0592 0.884 0.012 0.000 0.988
#> 12026 3 0.3192 0.793 0.112 0.000 0.888
#> 14016 3 0.1643 0.865 0.044 0.000 0.956
#> 15001 3 0.0000 0.889 0.000 0.000 1.000
#> 15004 1 0.5988 0.544 0.632 0.000 0.368
#> 15005 1 0.4399 0.492 0.812 0.000 0.188
#> 16004 1 0.6843 0.438 0.740 0.116 0.144
#> 16009 1 0.6299 0.033 0.524 0.000 0.476
#> 19005 3 0.4178 0.706 0.172 0.000 0.828
#> 20002 3 0.1031 0.876 0.024 0.000 0.976
#> 22009 3 0.3192 0.793 0.112 0.000 0.888
#> 22010 1 0.9911 0.349 0.400 0.304 0.296
#> 22011 3 0.0000 0.889 0.000 0.000 1.000
#> 22013 3 0.0000 0.889 0.000 0.000 1.000
#> 24001 3 0.0000 0.889 0.000 0.000 1.000
#> 24005 1 0.6168 0.514 0.588 0.000 0.412
#> 24008 3 0.0000 0.889 0.000 0.000 1.000
#> 24010 3 0.0592 0.876 0.000 0.012 0.988
#> 24011 3 0.0000 0.889 0.000 0.000 1.000
#> 24017 1 0.6299 0.033 0.524 0.000 0.476
#> 24018 1 0.5216 0.414 0.740 0.000 0.260
#> 24019 1 0.6299 0.033 0.524 0.000 0.476
#> 24022 1 0.6168 0.514 0.588 0.000 0.412
#> 25003 3 0.0000 0.889 0.000 0.000 1.000
#> 25006 1 0.5785 0.292 0.668 0.000 0.332
#> 26001 3 0.2959 0.809 0.100 0.000 0.900
#> 26003 1 0.6168 0.514 0.588 0.000 0.412
#> 26005 3 0.0000 0.889 0.000 0.000 1.000
#> 26008 1 0.6299 0.033 0.524 0.000 0.476
#> 27003 1 0.6192 0.508 0.580 0.000 0.420
#> 27004 1 0.6168 0.514 0.588 0.000 0.412
#> 28001 1 0.9596 0.357 0.416 0.200 0.384
#> 28003 1 0.5859 0.555 0.656 0.000 0.344
#> 28005 1 0.6168 0.514 0.588 0.000 0.412
#> 28006 1 0.8466 0.464 0.508 0.092 0.400
#> 28007 1 0.6168 0.514 0.588 0.000 0.412
#> 28019 1 0.1289 0.552 0.968 0.000 0.032
#> 28021 1 0.1289 0.552 0.968 0.000 0.032
#> 28023 1 0.5497 0.567 0.708 0.000 0.292
#> 28024 1 0.6168 0.514 0.588 0.000 0.412
#> 28028 1 0.6168 0.514 0.588 0.000 0.412
#> 28031 1 0.5968 0.544 0.636 0.000 0.364
#> 28032 1 0.6168 0.514 0.588 0.000 0.412
#> 28035 1 0.1289 0.552 0.968 0.000 0.032
#> 28036 1 0.6168 0.514 0.588 0.000 0.412
#> 28037 1 0.1289 0.552 0.968 0.000 0.032
#> 28042 1 0.7156 0.517 0.572 0.028 0.400
#> 28043 1 0.6168 0.514 0.588 0.000 0.412
#> 28044 1 0.5465 0.567 0.712 0.000 0.288
#> 28047 1 0.6026 0.539 0.624 0.000 0.376
#> 30001 1 0.1289 0.552 0.968 0.000 0.032
#> 31007 1 0.9570 0.407 0.448 0.204 0.348
#> 31011 1 0.6168 0.514 0.588 0.000 0.412
#> 33005 1 0.1289 0.552 0.968 0.000 0.032
#> 36001 1 0.1753 0.555 0.952 0.000 0.048
#> 36002 3 0.5465 0.326 0.288 0.000 0.712
#> 37013 3 0.2796 0.818 0.092 0.000 0.908
#> 43001 3 0.0000 0.889 0.000 0.000 1.000
#> 43004 1 0.2959 0.567 0.900 0.000 0.100
#> 43007 3 0.0000 0.889 0.000 0.000 1.000
#> 43012 1 0.5882 0.553 0.652 0.000 0.348
#> 48001 1 0.1860 0.556 0.948 0.000 0.052
#> 49006 3 0.0000 0.889 0.000 0.000 1.000
#> 57001 1 0.6126 0.524 0.600 0.000 0.400
#> 62001 1 0.5835 0.557 0.660 0.000 0.340
#> 62002 1 0.6168 0.514 0.588 0.000 0.412
#> 62003 3 0.3267 0.787 0.116 0.000 0.884
#> 63001 3 0.1877 0.870 0.032 0.012 0.956
#> 64001 3 0.0000 0.889 0.000 0.000 1.000
#> 64002 1 0.6299 0.033 0.524 0.000 0.476
#> 65005 3 0.0000 0.889 0.000 0.000 1.000
#> 68001 1 0.6299 0.033 0.524 0.000 0.476
#> 68003 3 0.0000 0.889 0.000 0.000 1.000
#> 84004 3 0.5098 0.437 0.248 0.000 0.752
#> LAL5 1 0.6168 0.514 0.588 0.000 0.412
#> 01003 2 0.0000 0.997 0.000 1.000 0.000
#> 01007 2 0.0000 0.997 0.000 1.000 0.000
#> 02020 2 0.0000 0.997 0.000 1.000 0.000
#> 04018 2 0.0000 0.997 0.000 1.000 0.000
#> 09002 2 0.0000 0.997 0.000 1.000 0.000
#> 10005 2 0.0000 0.997 0.000 1.000 0.000
#> 11002 2 0.0000 0.997 0.000 1.000 0.000
#> 12008 2 0.0000 0.997 0.000 1.000 0.000
#> 15006 2 0.1711 0.953 0.008 0.960 0.032
#> 16002 2 0.0000 0.997 0.000 1.000 0.000
#> 16007 2 0.0000 0.997 0.000 1.000 0.000
#> 17003 2 0.0000 0.997 0.000 1.000 0.000
#> 18001 2 0.0000 0.997 0.000 1.000 0.000
#> 19002 2 0.0000 0.997 0.000 1.000 0.000
#> 19008 2 0.0000 0.997 0.000 1.000 0.000
#> 19014 2 0.0000 0.997 0.000 1.000 0.000
#> 19017 2 0.0000 0.997 0.000 1.000 0.000
#> 20005 2 0.0000 0.997 0.000 1.000 0.000
#> 24006 2 0.0000 0.997 0.000 1.000 0.000
#> 26009 2 0.1711 0.953 0.008 0.960 0.032
#> 28008 2 0.0000 0.997 0.000 1.000 0.000
#> 28009 2 0.0000 0.997 0.000 1.000 0.000
#> 31015 2 0.0000 0.997 0.000 1.000 0.000
#> 37001 2 0.0000 0.997 0.000 1.000 0.000
#> 43006 2 0.0000 0.997 0.000 1.000 0.000
#> 43015 2 0.0000 0.997 0.000 1.000 0.000
#> 44001 2 0.0000 0.997 0.000 1.000 0.000
#> 49004 2 0.0000 0.997 0.000 1.000 0.000
#> 56007 2 0.0000 0.997 0.000 1.000 0.000
#> 64005 2 0.0000 0.997 0.000 1.000 0.000
#> 65003 2 0.0000 0.997 0.000 1.000 0.000
#> 83001 2 0.0000 0.997 0.000 1.000 0.000
#> LAL4 2 0.0000 0.997 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 04007 3 0.0188 0.9507 0.000 0.000 0.996 0.004
#> 04008 3 0.0188 0.9506 0.004 0.000 0.996 0.000
#> 04010 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 08001 3 0.3837 0.7271 0.000 0.000 0.776 0.224
#> 08011 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 08012 3 0.3024 0.8185 0.000 0.000 0.852 0.148
#> 08018 3 0.3610 0.7527 0.000 0.000 0.800 0.200
#> 08024 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 09017 4 0.3649 0.7222 0.000 0.000 0.204 0.796
#> 11005 3 0.0592 0.9424 0.000 0.000 0.984 0.016
#> 12006 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 15005 1 0.1733 0.9470 0.948 0.000 0.028 0.024
#> 16004 1 0.2125 0.9143 0.920 0.000 0.004 0.076
#> 16009 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 19005 3 0.4692 0.7083 0.032 0.000 0.756 0.212
#> 20002 3 0.3444 0.7601 0.184 0.000 0.816 0.000
#> 22009 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 22010 4 0.4250 0.6478 0.000 0.276 0.000 0.724
#> 22011 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 24010 3 0.0188 0.9503 0.000 0.004 0.996 0.000
#> 24011 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 24018 1 0.4716 0.7356 0.764 0.000 0.040 0.196
#> 24019 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28001 4 0.3791 0.7630 0.000 0.200 0.004 0.796
#> 28003 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28006 4 0.2011 0.8931 0.000 0.080 0.000 0.920
#> 28007 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28031 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28032 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28035 1 0.0336 0.9755 0.992 0.000 0.000 0.008
#> 28036 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 28042 4 0.0336 0.9568 0.000 0.008 0.000 0.992
#> 28043 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 31007 4 0.3610 0.7654 0.000 0.200 0.000 0.800
#> 31011 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 36001 1 0.0469 0.9722 0.988 0.000 0.012 0.000
#> 36002 3 0.1557 0.9111 0.000 0.000 0.944 0.056
#> 37013 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 48001 1 0.1724 0.9486 0.948 0.000 0.020 0.032
#> 49006 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 57001 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 62001 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 62003 3 0.4999 0.0458 0.000 0.000 0.508 0.492
#> 63001 3 0.0188 0.9503 0.000 0.004 0.996 0.000
#> 64001 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.9805 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.9531 0.000 0.000 1.000 0.000
#> 84004 3 0.3764 0.7385 0.000 0.000 0.784 0.216
#> LAL5 4 0.0000 0.9631 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 10005 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 11002 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 15006 2 0.3982 0.7124 0.220 0.776 0.004 0.000
#> 16002 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 18001 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 26009 2 0.3982 0.7124 0.220 0.776 0.004 0.000
#> 28008 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.9854 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.9854 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.4256 0.742 0.000 0.000 0.564 0.000 NA
#> 01010 1 0.1121 0.848 0.956 0.000 0.000 0.000 NA
#> 03002 3 0.3074 0.803 0.000 0.000 0.804 0.000 NA
#> 04006 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 04007 3 0.4624 0.714 0.000 0.000 0.636 0.024 NA
#> 04008 3 0.4058 0.796 0.024 0.000 0.740 0.000 NA
#> 04010 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 04016 3 0.1671 0.805 0.000 0.000 0.924 0.000 NA
#> 06002 3 0.3305 0.800 0.000 0.000 0.776 0.000 NA
#> 08001 3 0.5456 0.674 0.000 0.000 0.592 0.080 NA
#> 08011 3 0.4192 0.762 0.000 0.000 0.596 0.000 NA
#> 08012 3 0.3731 0.753 0.000 0.000 0.816 0.112 NA
#> 08018 3 0.4779 0.671 0.000 0.000 0.716 0.200 NA
#> 08024 3 0.3534 0.814 0.000 0.000 0.744 0.000 NA
#> 09008 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 09017 4 0.4252 0.502 0.000 0.000 0.340 0.652 NA
#> 11005 3 0.4166 0.726 0.000 0.000 0.648 0.004 NA
#> 12006 3 0.2329 0.819 0.000 0.000 0.876 0.000 NA
#> 12007 3 0.3480 0.815 0.000 0.000 0.752 0.000 NA
#> 12012 3 0.2690 0.819 0.000 0.000 0.844 0.000 NA
#> 12019 3 0.1341 0.811 0.000 0.000 0.944 0.000 NA
#> 12026 3 0.3336 0.799 0.000 0.000 0.772 0.000 NA
#> 14016 3 0.3305 0.800 0.000 0.000 0.776 0.000 NA
#> 15001 3 0.3816 0.803 0.000 0.000 0.696 0.000 NA
#> 15004 4 0.0000 0.958 0.000 0.000 0.000 1.000 NA
#> 15005 1 0.6582 0.521 0.532 0.000 0.136 0.308 NA
#> 16004 1 0.4684 0.735 0.744 0.000 0.072 0.176 NA
#> 16009 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 19005 3 0.4415 0.729 0.028 0.000 0.792 0.116 NA
#> 20002 3 0.4302 0.794 0.032 0.000 0.720 0.000 NA
#> 22009 3 0.1965 0.798 0.000 0.000 0.904 0.000 NA
#> 22010 4 0.2818 0.832 0.008 0.128 0.000 0.860 NA
#> 22011 3 0.1121 0.825 0.000 0.000 0.956 0.000 NA
#> 22013 3 0.3003 0.824 0.000 0.000 0.812 0.000 NA
#> 24001 3 0.0510 0.822 0.000 0.000 0.984 0.000 NA
#> 24005 4 0.1270 0.917 0.000 0.000 0.052 0.948 NA
#> 24008 3 0.2280 0.830 0.000 0.000 0.880 0.000 NA
#> 24010 3 0.3333 0.823 0.000 0.004 0.788 0.000 NA
#> 24011 3 0.3143 0.822 0.000 0.000 0.796 0.000 NA
#> 24017 1 0.0162 0.845 0.996 0.000 0.000 0.000 NA
#> 24018 1 0.6051 0.555 0.576 0.000 0.088 0.316 NA
#> 24019 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 24022 4 0.0000 0.958 0.000 0.000 0.000 1.000 NA
#> 25003 3 0.0703 0.818 0.000 0.000 0.976 0.000 NA
#> 25006 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 26001 3 0.3274 0.801 0.000 0.000 0.780 0.000 NA
#> 26003 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 26005 3 0.3424 0.818 0.000 0.000 0.760 0.000 NA
#> 26008 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 27003 4 0.0162 0.957 0.000 0.004 0.000 0.996 NA
#> 27004 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28001 4 0.2690 0.808 0.000 0.156 0.000 0.844 NA
#> 28003 4 0.0613 0.954 0.008 0.000 0.004 0.984 NA
#> 28005 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28006 4 0.1300 0.933 0.000 0.028 0.000 0.956 NA
#> 28007 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28019 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 28021 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 28023 4 0.0609 0.951 0.000 0.000 0.000 0.980 NA
#> 28024 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28028 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28031 4 0.0880 0.938 0.000 0.000 0.032 0.968 NA
#> 28032 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28035 1 0.3980 0.834 0.708 0.000 0.000 0.008 NA
#> 28036 4 0.0000 0.958 0.000 0.000 0.000 1.000 NA
#> 28037 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 28042 4 0.0771 0.949 0.000 0.004 0.000 0.976 NA
#> 28043 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28044 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 28047 4 0.0000 0.958 0.000 0.000 0.000 1.000 NA
#> 30001 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 31007 4 0.2536 0.841 0.000 0.128 0.000 0.868 NA
#> 31011 4 0.0000 0.958 0.000 0.000 0.000 1.000 NA
#> 33005 1 0.3707 0.836 0.716 0.000 0.000 0.000 NA
#> 36001 1 0.5470 0.700 0.684 0.000 0.072 0.216 NA
#> 36002 3 0.4907 0.734 0.000 0.000 0.664 0.056 NA
#> 37013 3 0.1732 0.804 0.000 0.000 0.920 0.000 NA
#> 43001 3 0.0880 0.826 0.000 0.000 0.968 0.000 NA
#> 43004 4 0.2078 0.911 0.004 0.000 0.036 0.924 NA
#> 43007 3 0.1357 0.825 0.000 0.000 0.948 0.004 NA
#> 43012 4 0.0451 0.955 0.008 0.000 0.000 0.988 NA
#> 48001 1 0.6295 0.659 0.612 0.000 0.072 0.252 NA
#> 49006 3 0.4307 0.707 0.000 0.000 0.504 0.000 NA
#> 57001 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 62001 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 62002 4 0.0703 0.944 0.000 0.000 0.024 0.976 NA
#> 62003 3 0.4288 0.523 0.000 0.000 0.664 0.324 NA
#> 63001 3 0.2890 0.813 0.000 0.004 0.836 0.000 NA
#> 64001 3 0.4273 0.737 0.000 0.000 0.552 0.000 NA
#> 64002 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 65005 3 0.4307 0.708 0.000 0.000 0.504 0.000 NA
#> 68001 1 0.0000 0.846 1.000 0.000 0.000 0.000 NA
#> 68003 3 0.2471 0.817 0.000 0.000 0.864 0.000 NA
#> 84004 3 0.4655 0.757 0.000 0.000 0.700 0.052 NA
#> LAL5 4 0.0162 0.958 0.000 0.000 0.000 0.996 NA
#> 01003 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 01007 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 02020 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 04018 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 09002 2 0.1121 0.951 0.000 0.956 0.000 0.000 NA
#> 10005 2 0.2144 0.923 0.000 0.912 0.020 0.000 NA
#> 11002 2 0.1478 0.942 0.000 0.936 0.000 0.000 NA
#> 12008 2 0.1121 0.951 0.000 0.956 0.000 0.000 NA
#> 15006 2 0.4908 0.645 0.244 0.692 0.004 0.060 NA
#> 16002 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 16007 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 17003 2 0.0290 0.963 0.000 0.992 0.000 0.008 NA
#> 18001 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 19002 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 19008 2 0.0510 0.963 0.000 0.984 0.000 0.000 NA
#> 19014 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 19017 2 0.1121 0.951 0.000 0.956 0.000 0.000 NA
#> 20005 2 0.0404 0.963 0.000 0.988 0.000 0.000 NA
#> 24006 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 26009 2 0.4908 0.645 0.244 0.692 0.004 0.060 NA
#> 28008 2 0.0609 0.961 0.000 0.980 0.000 0.000 NA
#> 28009 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 31015 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 37001 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 43006 2 0.1478 0.942 0.000 0.936 0.000 0.000 NA
#> 43015 2 0.0162 0.966 0.000 0.996 0.000 0.000 NA
#> 44001 2 0.0162 0.966 0.000 0.996 0.000 0.000 NA
#> 49004 2 0.1197 0.949 0.000 0.952 0.000 0.000 NA
#> 56007 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 64005 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 65003 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
#> 83001 2 0.2020 0.875 0.000 0.900 0.000 0.100 NA
#> LAL4 2 0.0000 0.967 0.000 1.000 0.000 0.000 NA
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0632 0.3039 0.000 0.000 0.976 0.000 0.024 0.000
#> 01010 1 0.3727 0.3805 0.612 0.000 0.000 0.000 0.000 0.388
#> 03002 3 0.3428 0.0613 0.000 0.000 0.696 0.000 0.304 0.000
#> 04006 1 0.0000 0.8284 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 3 0.4972 0.1243 0.000 0.000 0.620 0.088 0.288 0.004
#> 04008 3 0.4592 -0.0369 0.036 0.000 0.496 0.000 0.468 0.000
#> 04010 6 0.2048 0.9072 0.120 0.000 0.000 0.000 0.000 0.880
#> 04016 5 0.3371 0.7108 0.000 0.000 0.292 0.000 0.708 0.000
#> 06002 3 0.3866 -0.0312 0.000 0.000 0.516 0.000 0.484 0.000
#> 08001 3 0.5630 0.1282 0.000 0.000 0.556 0.152 0.284 0.008
#> 08011 3 0.2340 0.2448 0.000 0.000 0.852 0.000 0.148 0.000
#> 08012 5 0.3558 0.7234 0.000 0.000 0.248 0.016 0.736 0.000
#> 08018 5 0.5143 0.5325 0.000 0.000 0.248 0.140 0.612 0.000
#> 08024 3 0.3464 0.1096 0.000 0.000 0.688 0.000 0.312 0.000
#> 09008 6 0.2003 0.9092 0.116 0.000 0.000 0.000 0.000 0.884
#> 09017 4 0.4247 0.5270 0.000 0.000 0.040 0.664 0.296 0.000
#> 11005 3 0.3670 0.0943 0.000 0.000 0.704 0.012 0.284 0.000
#> 12006 3 0.3797 -0.2138 0.000 0.000 0.580 0.000 0.420 0.000
#> 12007 3 0.3409 0.1123 0.000 0.000 0.700 0.000 0.300 0.000
#> 12012 3 0.3857 -0.0289 0.000 0.000 0.532 0.000 0.468 0.000
#> 12019 5 0.3309 0.7242 0.000 0.000 0.280 0.000 0.720 0.000
#> 12026 3 0.3868 -0.0384 0.000 0.000 0.508 0.000 0.492 0.000
#> 14016 3 0.3867 -0.0380 0.000 0.000 0.512 0.000 0.488 0.000
#> 15001 3 0.3244 0.1575 0.000 0.000 0.732 0.000 0.268 0.000
#> 15004 4 0.0363 0.9085 0.000 0.000 0.000 0.988 0.012 0.000
#> 15005 4 0.7392 0.2403 0.116 0.000 0.036 0.500 0.168 0.180
#> 16004 1 0.4749 0.6740 0.716 0.000 0.024 0.020 0.036 0.204
#> 16009 1 0.0260 0.8283 0.992 0.000 0.000 0.000 0.000 0.008
#> 19005 5 0.4907 0.6168 0.048 0.000 0.204 0.044 0.700 0.004
#> 20002 3 0.4700 -0.0293 0.044 0.000 0.500 0.000 0.456 0.000
#> 22009 5 0.3330 0.6981 0.000 0.000 0.284 0.000 0.716 0.000
#> 22010 4 0.4415 0.6305 0.000 0.240 0.000 0.700 0.048 0.012
#> 22011 5 0.3782 0.5951 0.000 0.000 0.412 0.000 0.588 0.000
#> 22013 3 0.3854 -0.0265 0.000 0.000 0.536 0.000 0.464 0.000
#> 24001 5 0.3717 0.5949 0.000 0.000 0.384 0.000 0.616 0.000
#> 24005 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.004 0.000
#> 24008 5 0.3852 0.5983 0.000 0.000 0.384 0.000 0.612 0.004
#> 24010 5 0.4018 0.2802 0.000 0.000 0.412 0.000 0.580 0.008
#> 24011 3 0.3817 -0.0124 0.000 0.000 0.568 0.000 0.432 0.000
#> 24017 1 0.1141 0.8107 0.948 0.000 0.000 0.000 0.000 0.052
#> 24018 4 0.7254 0.2375 0.104 0.000 0.092 0.512 0.056 0.236
#> 24019 1 0.0000 0.8284 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9093 0.000 0.000 0.000 1.000 0.000 0.000
#> 25003 5 0.3371 0.7197 0.000 0.000 0.292 0.000 0.708 0.000
#> 25006 1 0.2491 0.7531 0.836 0.000 0.000 0.000 0.000 0.164
#> 26001 3 0.3867 -0.0380 0.000 0.000 0.512 0.000 0.488 0.000
#> 26003 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.000 0.004
#> 26005 3 0.3706 0.0486 0.000 0.000 0.620 0.000 0.380 0.000
#> 26008 1 0.0000 0.8284 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 4 0.0777 0.9051 0.000 0.004 0.000 0.972 0.024 0.000
#> 27004 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.000 0.004
#> 28001 4 0.3699 0.7296 0.000 0.176 0.000 0.780 0.032 0.012
#> 28003 4 0.1265 0.8973 0.000 0.000 0.000 0.948 0.044 0.008
#> 28005 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.000 0.004
#> 28006 4 0.1332 0.8938 0.000 0.028 0.000 0.952 0.012 0.008
#> 28007 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.000 0.004
#> 28019 6 0.2003 0.9092 0.116 0.000 0.000 0.000 0.000 0.884
#> 28021 6 0.2003 0.9092 0.116 0.000 0.000 0.000 0.000 0.884
#> 28023 4 0.0405 0.9073 0.000 0.000 0.000 0.988 0.008 0.004
#> 28024 4 0.0520 0.9066 0.000 0.000 0.000 0.984 0.008 0.008
#> 28028 4 0.0632 0.9059 0.000 0.000 0.000 0.976 0.024 0.000
#> 28031 4 0.0260 0.9089 0.000 0.000 0.000 0.992 0.008 0.000
#> 28032 4 0.0777 0.9048 0.000 0.000 0.000 0.972 0.024 0.004
#> 28035 6 0.2146 0.9066 0.116 0.000 0.000 0.004 0.000 0.880
#> 28036 4 0.0000 0.9093 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 6 0.2257 0.9008 0.116 0.000 0.000 0.008 0.000 0.876
#> 28042 4 0.1974 0.8831 0.000 0.020 0.000 0.920 0.048 0.012
#> 28043 4 0.0146 0.9094 0.000 0.000 0.000 0.996 0.000 0.004
#> 28044 4 0.0260 0.9079 0.000 0.000 0.000 0.992 0.008 0.000
#> 28047 4 0.0000 0.9093 0.000 0.000 0.000 1.000 0.000 0.000
#> 30001 6 0.2048 0.9072 0.120 0.000 0.000 0.000 0.000 0.880
#> 31007 4 0.3996 0.7198 0.000 0.180 0.000 0.760 0.048 0.012
#> 31011 4 0.0000 0.9093 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 6 0.2003 0.9092 0.116 0.000 0.000 0.000 0.000 0.884
#> 36001 1 0.6169 0.3301 0.528 0.000 0.012 0.108 0.032 0.320
#> 36002 3 0.5507 0.1144 0.000 0.000 0.548 0.168 0.284 0.000
#> 37013 5 0.3337 0.7241 0.000 0.000 0.260 0.004 0.736 0.000
#> 43001 5 0.3797 0.5894 0.000 0.000 0.420 0.000 0.580 0.000
#> 43004 4 0.3073 0.7108 0.000 0.000 0.000 0.788 0.008 0.204
#> 43007 5 0.3706 0.6171 0.000 0.000 0.380 0.000 0.620 0.000
#> 43012 4 0.1265 0.8974 0.000 0.000 0.000 0.948 0.044 0.008
#> 48001 6 0.6212 0.3008 0.120 0.000 0.012 0.300 0.032 0.536
#> 49006 3 0.0000 0.3041 0.000 0.000 1.000 0.000 0.000 0.000
#> 57001 4 0.1265 0.8974 0.000 0.000 0.000 0.948 0.044 0.008
#> 62001 4 0.0260 0.9079 0.000 0.000 0.000 0.992 0.008 0.000
#> 62002 4 0.0458 0.9051 0.000 0.000 0.000 0.984 0.016 0.000
#> 62003 5 0.4454 0.6369 0.000 0.000 0.224 0.084 0.692 0.000
#> 63001 5 0.3483 0.5751 0.000 0.000 0.212 0.000 0.764 0.024
#> 64001 3 0.0632 0.3042 0.000 0.000 0.976 0.000 0.024 0.000
#> 64002 1 0.0000 0.8284 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0146 0.3049 0.000 0.000 0.996 0.000 0.004 0.000
#> 68001 1 0.2135 0.7802 0.872 0.000 0.000 0.000 0.000 0.128
#> 68003 3 0.3531 0.0241 0.000 0.000 0.672 0.000 0.328 0.000
#> 84004 3 0.5864 0.1292 0.000 0.000 0.552 0.128 0.292 0.028
#> LAL5 4 0.1333 0.8955 0.000 0.000 0.000 0.944 0.048 0.008
#> 01003 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 01007 2 0.0146 0.9354 0.000 0.996 0.000 0.000 0.000 0.004
#> 02020 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 09002 2 0.3268 0.8464 0.000 0.812 0.000 0.000 0.144 0.044
#> 10005 2 0.3670 0.8294 0.000 0.788 0.004 0.000 0.152 0.056
#> 11002 2 0.3293 0.8469 0.000 0.812 0.000 0.000 0.140 0.048
#> 12008 2 0.3202 0.8486 0.000 0.816 0.000 0.000 0.144 0.040
#> 15006 2 0.4520 0.5878 0.296 0.664 0.020 0.008 0.004 0.008
#> 16002 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 17003 2 0.0713 0.9169 0.000 0.972 0.000 0.028 0.000 0.000
#> 18001 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 19002 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 19008 2 0.1461 0.9154 0.000 0.940 0.000 0.000 0.044 0.016
#> 19014 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 19017 2 0.3202 0.8486 0.000 0.816 0.000 0.000 0.144 0.040
#> 20005 2 0.0260 0.9338 0.000 0.992 0.000 0.000 0.000 0.008
#> 24006 2 0.0146 0.9354 0.000 0.996 0.000 0.000 0.000 0.004
#> 26009 2 0.4501 0.5945 0.292 0.668 0.020 0.008 0.004 0.008
#> 28008 2 0.0717 0.9305 0.000 0.976 0.000 0.000 0.008 0.016
#> 28009 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 31015 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 37001 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 2 0.3332 0.8442 0.000 0.808 0.000 0.000 0.144 0.048
#> 43015 2 0.0909 0.9270 0.000 0.968 0.000 0.000 0.020 0.012
#> 44001 2 0.0363 0.9340 0.000 0.988 0.000 0.000 0.000 0.012
#> 49004 2 0.3202 0.8486 0.000 0.816 0.000 0.000 0.144 0.040
#> 56007 2 0.0146 0.9354 0.000 0.996 0.000 0.000 0.000 0.004
#> 64005 2 0.0146 0.9354 0.000 0.996 0.000 0.000 0.000 0.004
#> 65003 2 0.0000 0.9355 0.000 1.000 0.000 0.000 0.000 0.000
#> 83001 2 0.0790 0.9167 0.000 0.968 0.000 0.032 0.000 0.000
#> LAL4 2 0.0146 0.9354 0.000 0.996 0.000 0.000 0.000 0.004
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:mclust 128 0.329 0.173 3.06e-23 2
#> CV:mclust 108 0.143 0.342 1.42e-21 3
#> CV:mclust 127 0.172 0.596 8.78e-22 4
#> CV:mclust 128 0.157 0.523 1.21e-21 5
#> CV:mclust 96 0.364 0.784 1.94e-12 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "NMF"]
# you can also extract it by
# res = res_list["CV:NMF"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.422 0.746 0.873 0.4490 0.532 0.532
#> 3 3 0.698 0.801 0.907 0.4293 0.692 0.482
#> 4 4 0.942 0.939 0.973 0.1682 0.830 0.558
#> 5 5 0.776 0.719 0.857 0.0636 0.917 0.687
#> 6 6 0.789 0.701 0.851 0.0363 0.927 0.672
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.9710 0.1568 0.600 0.400
#> 01010 1 0.0000 0.8797 1.000 0.000
#> 03002 2 0.9686 0.5490 0.396 0.604
#> 04006 1 0.0000 0.8797 1.000 0.000
#> 04007 2 0.9710 0.5412 0.400 0.600
#> 04008 1 0.0000 0.8797 1.000 0.000
#> 04010 1 0.0000 0.8797 1.000 0.000
#> 04016 2 0.9754 0.5238 0.408 0.592
#> 06002 1 0.2948 0.8413 0.948 0.052
#> 08001 2 0.8443 0.7319 0.272 0.728
#> 08011 1 0.9795 0.0931 0.584 0.416
#> 08012 2 0.7299 0.7909 0.204 0.796
#> 08018 2 0.7815 0.7703 0.232 0.768
#> 08024 1 0.6438 0.7126 0.836 0.164
#> 09008 1 0.0000 0.8797 1.000 0.000
#> 09017 2 0.8661 0.7137 0.288 0.712
#> 11005 2 0.7453 0.7857 0.212 0.788
#> 12006 2 0.9896 0.4426 0.440 0.560
#> 12007 1 0.9933 -0.0723 0.548 0.452
#> 12012 1 0.9815 0.0760 0.580 0.420
#> 12019 1 0.9460 0.2825 0.636 0.364
#> 12026 1 0.0000 0.8797 1.000 0.000
#> 14016 1 0.0000 0.8797 1.000 0.000
#> 15001 1 0.0000 0.8797 1.000 0.000
#> 15004 2 0.7219 0.7932 0.200 0.800
#> 15005 1 0.0000 0.8797 1.000 0.000
#> 16004 1 0.0000 0.8797 1.000 0.000
#> 16009 1 0.0000 0.8797 1.000 0.000
#> 19005 1 0.0000 0.8797 1.000 0.000
#> 20002 1 0.0000 0.8797 1.000 0.000
#> 22009 2 0.9833 0.4855 0.424 0.576
#> 22010 2 0.0000 0.8143 0.000 1.000
#> 22011 2 0.9710 0.5412 0.400 0.600
#> 22013 1 0.0938 0.8722 0.988 0.012
#> 24001 2 0.9833 0.4854 0.424 0.576
#> 24005 2 0.7219 0.7932 0.200 0.800
#> 24008 2 0.9732 0.5327 0.404 0.596
#> 24010 2 0.9635 0.5640 0.388 0.612
#> 24011 1 0.9393 0.3073 0.644 0.356
#> 24017 1 0.0000 0.8797 1.000 0.000
#> 24018 1 0.0000 0.8797 1.000 0.000
#> 24019 1 0.0000 0.8797 1.000 0.000
#> 24022 2 0.4690 0.8138 0.100 0.900
#> 25003 2 0.9710 0.5412 0.400 0.600
#> 25006 1 0.0000 0.8797 1.000 0.000
#> 26001 1 0.0000 0.8797 1.000 0.000
#> 26003 2 0.7219 0.7932 0.200 0.800
#> 26005 1 0.3879 0.8189 0.924 0.076
#> 26008 1 0.0000 0.8797 1.000 0.000
#> 27003 2 0.7219 0.7932 0.200 0.800
#> 27004 2 0.7219 0.7932 0.200 0.800
#> 28001 2 0.7219 0.7932 0.200 0.800
#> 28003 2 0.5737 0.8086 0.136 0.864
#> 28005 2 0.7219 0.7932 0.200 0.800
#> 28006 2 0.7219 0.7932 0.200 0.800
#> 28007 2 0.7219 0.7932 0.200 0.800
#> 28019 1 0.0000 0.8797 1.000 0.000
#> 28021 1 0.0000 0.8797 1.000 0.000
#> 28023 2 0.7219 0.7932 0.200 0.800
#> 28024 2 0.7219 0.7932 0.200 0.800
#> 28028 2 0.1184 0.8148 0.016 0.984
#> 28031 2 0.9209 0.6507 0.336 0.664
#> 28032 2 0.0000 0.8143 0.000 1.000
#> 28035 1 0.0000 0.8797 1.000 0.000
#> 28036 2 0.3431 0.8151 0.064 0.936
#> 28037 1 0.0000 0.8797 1.000 0.000
#> 28042 2 0.0000 0.8143 0.000 1.000
#> 28043 2 0.7219 0.7932 0.200 0.800
#> 28044 2 0.8327 0.7404 0.264 0.736
#> 28047 2 0.7219 0.7932 0.200 0.800
#> 30001 1 0.0000 0.8797 1.000 0.000
#> 31007 2 0.5178 0.8121 0.116 0.884
#> 31011 2 0.7674 0.7770 0.224 0.776
#> 33005 1 0.0000 0.8797 1.000 0.000
#> 36001 1 0.0000 0.8797 1.000 0.000
#> 36002 2 0.9710 0.5412 0.400 0.600
#> 37013 1 0.3431 0.8308 0.936 0.064
#> 43001 1 0.0672 0.8748 0.992 0.008
#> 43004 1 0.7056 0.6707 0.808 0.192
#> 43007 2 0.8081 0.7562 0.248 0.752
#> 43012 2 0.4690 0.8140 0.100 0.900
#> 48001 1 0.0000 0.8797 1.000 0.000
#> 49006 1 0.9896 -0.0162 0.560 0.440
#> 57001 2 0.6973 0.7968 0.188 0.812
#> 62001 2 0.9209 0.6507 0.336 0.664
#> 62002 2 0.9209 0.6521 0.336 0.664
#> 62003 1 0.0000 0.8797 1.000 0.000
#> 63001 2 0.7299 0.7909 0.204 0.796
#> 64001 1 0.8909 0.4381 0.692 0.308
#> 64002 1 0.0000 0.8797 1.000 0.000
#> 65005 2 0.9775 0.5147 0.412 0.588
#> 68001 1 0.0000 0.8797 1.000 0.000
#> 68003 2 0.9710 0.5412 0.400 0.600
#> 84004 2 0.7674 0.7770 0.224 0.776
#> LAL5 2 0.4562 0.8142 0.096 0.904
#> 01003 2 0.0000 0.8143 0.000 1.000
#> 01007 2 0.0000 0.8143 0.000 1.000
#> 02020 2 0.0000 0.8143 0.000 1.000
#> 04018 2 0.0000 0.8143 0.000 1.000
#> 09002 2 0.0000 0.8143 0.000 1.000
#> 10005 2 0.0000 0.8143 0.000 1.000
#> 11002 2 0.0000 0.8143 0.000 1.000
#> 12008 2 0.0000 0.8143 0.000 1.000
#> 15006 1 0.7299 0.6564 0.796 0.204
#> 16002 2 0.0000 0.8143 0.000 1.000
#> 16007 2 0.0000 0.8143 0.000 1.000
#> 17003 2 0.0376 0.8121 0.004 0.996
#> 18001 2 0.0000 0.8143 0.000 1.000
#> 19002 2 0.0000 0.8143 0.000 1.000
#> 19008 2 0.0000 0.8143 0.000 1.000
#> 19014 2 0.0000 0.8143 0.000 1.000
#> 19017 2 0.0000 0.8143 0.000 1.000
#> 20005 2 0.0000 0.8143 0.000 1.000
#> 24006 2 0.0000 0.8143 0.000 1.000
#> 26009 1 0.7299 0.6564 0.796 0.204
#> 28008 2 0.0000 0.8143 0.000 1.000
#> 28009 2 0.0000 0.8143 0.000 1.000
#> 31015 2 0.0000 0.8143 0.000 1.000
#> 37001 2 0.0000 0.8143 0.000 1.000
#> 43006 2 0.0000 0.8143 0.000 1.000
#> 43015 2 0.0000 0.8143 0.000 1.000
#> 44001 2 0.0000 0.8143 0.000 1.000
#> 49004 2 0.0000 0.8143 0.000 1.000
#> 56007 2 0.0000 0.8143 0.000 1.000
#> 64005 2 0.0000 0.8143 0.000 1.000
#> 65003 2 0.0000 0.8143 0.000 1.000
#> 83001 2 0.0000 0.8143 0.000 1.000
#> LAL4 2 0.0000 0.8143 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0892 0.9078 0.020 0.000 0.980
#> 01010 1 0.0000 0.9584 1.000 0.000 0.000
#> 03002 3 0.0000 0.9079 0.000 0.000 1.000
#> 04006 1 0.0000 0.9584 1.000 0.000 0.000
#> 04007 3 0.0000 0.9079 0.000 0.000 1.000
#> 04008 1 0.1529 0.9328 0.960 0.000 0.040
#> 04010 1 0.0000 0.9584 1.000 0.000 0.000
#> 04016 3 0.2537 0.8604 0.080 0.000 0.920
#> 06002 3 0.4121 0.7539 0.168 0.000 0.832
#> 08001 3 0.0000 0.9079 0.000 0.000 1.000
#> 08011 3 0.1031 0.9066 0.024 0.000 0.976
#> 08012 3 0.0237 0.9086 0.004 0.000 0.996
#> 08018 3 0.0237 0.9085 0.004 0.000 0.996
#> 08024 3 0.1163 0.9047 0.028 0.000 0.972
#> 09008 1 0.1643 0.9311 0.956 0.000 0.044
#> 09017 3 0.0000 0.9079 0.000 0.000 1.000
#> 11005 3 0.0000 0.9079 0.000 0.000 1.000
#> 12006 3 0.0000 0.9079 0.000 0.000 1.000
#> 12007 3 0.0892 0.9078 0.020 0.000 0.980
#> 12012 3 0.1031 0.9066 0.024 0.000 0.976
#> 12019 3 0.0592 0.9090 0.012 0.000 0.988
#> 12026 3 0.3619 0.7987 0.136 0.000 0.864
#> 14016 3 0.1163 0.9047 0.028 0.000 0.972
#> 15001 3 0.3482 0.8085 0.128 0.000 0.872
#> 15004 2 0.5327 0.7089 0.000 0.728 0.272
#> 15005 1 0.4504 0.7392 0.804 0.000 0.196
#> 16004 1 0.0000 0.9584 1.000 0.000 0.000
#> 16009 1 0.0000 0.9584 1.000 0.000 0.000
#> 19005 1 0.0237 0.9570 0.996 0.000 0.004
#> 20002 1 0.0424 0.9553 0.992 0.000 0.008
#> 22009 3 0.1031 0.9066 0.024 0.000 0.976
#> 22010 2 0.0000 0.8443 0.000 1.000 0.000
#> 22011 3 0.0424 0.9090 0.008 0.000 0.992
#> 22013 3 0.1031 0.9066 0.024 0.000 0.976
#> 24001 3 0.0592 0.9090 0.012 0.000 0.988
#> 24005 3 0.7013 -0.0574 0.020 0.432 0.548
#> 24008 3 0.1031 0.9066 0.024 0.000 0.976
#> 24010 3 0.0000 0.9079 0.000 0.000 1.000
#> 24011 3 0.0892 0.9078 0.020 0.000 0.980
#> 24017 1 0.0000 0.9584 1.000 0.000 0.000
#> 24018 1 0.0892 0.9492 0.980 0.000 0.020
#> 24019 1 0.0000 0.9584 1.000 0.000 0.000
#> 24022 2 0.6045 0.5525 0.000 0.620 0.380
#> 25003 3 0.0000 0.9079 0.000 0.000 1.000
#> 25006 1 0.0000 0.9584 1.000 0.000 0.000
#> 26001 3 0.3551 0.8035 0.132 0.000 0.868
#> 26003 3 0.6008 0.1938 0.000 0.372 0.628
#> 26005 3 0.1163 0.9047 0.028 0.000 0.972
#> 26008 1 0.0000 0.9584 1.000 0.000 0.000
#> 27003 2 0.5785 0.6343 0.000 0.668 0.332
#> 27004 2 0.6215 0.4534 0.000 0.572 0.428
#> 28001 3 0.1643 0.8686 0.000 0.044 0.956
#> 28003 2 0.4629 0.7751 0.004 0.808 0.188
#> 28005 2 0.6308 0.2840 0.000 0.508 0.492
#> 28006 2 0.6309 0.2632 0.000 0.500 0.500
#> 28007 2 0.5138 0.7280 0.000 0.748 0.252
#> 28019 1 0.1031 0.9473 0.976 0.000 0.024
#> 28021 1 0.1163 0.9444 0.972 0.000 0.028
#> 28023 2 0.5115 0.7719 0.016 0.796 0.188
#> 28024 2 0.5733 0.6463 0.000 0.676 0.324
#> 28028 3 0.6305 -0.2352 0.000 0.484 0.516
#> 28031 2 0.8392 0.6454 0.176 0.624 0.200
#> 28032 2 0.4842 0.7520 0.000 0.776 0.224
#> 28035 1 0.2356 0.9063 0.928 0.000 0.072
#> 28036 2 0.5591 0.6735 0.000 0.696 0.304
#> 28037 1 0.0000 0.9584 1.000 0.000 0.000
#> 28042 2 0.4452 0.7736 0.000 0.808 0.192
#> 28043 2 0.6308 0.2833 0.000 0.508 0.492
#> 28044 2 0.5591 0.6739 0.000 0.696 0.304
#> 28047 2 0.4605 0.7661 0.000 0.796 0.204
#> 30001 1 0.0000 0.9584 1.000 0.000 0.000
#> 31007 2 0.5621 0.6694 0.000 0.692 0.308
#> 31011 3 0.6309 -0.2866 0.000 0.500 0.500
#> 33005 1 0.0000 0.9584 1.000 0.000 0.000
#> 36001 1 0.0000 0.9584 1.000 0.000 0.000
#> 36002 3 0.0000 0.9079 0.000 0.000 1.000
#> 37013 3 0.0424 0.9090 0.008 0.000 0.992
#> 43001 3 0.0592 0.9090 0.012 0.000 0.988
#> 43004 1 0.8375 0.2612 0.540 0.092 0.368
#> 43007 3 0.0000 0.9079 0.000 0.000 1.000
#> 43012 2 0.4452 0.7736 0.000 0.808 0.192
#> 48001 1 0.0424 0.9553 0.992 0.000 0.008
#> 49006 3 0.0000 0.9079 0.000 0.000 1.000
#> 57001 2 0.4840 0.7792 0.016 0.816 0.168
#> 62001 2 0.7317 0.7125 0.096 0.696 0.208
#> 62002 2 0.7438 0.4117 0.036 0.536 0.428
#> 62003 3 0.4062 0.7699 0.164 0.000 0.836
#> 63001 3 0.0000 0.9079 0.000 0.000 1.000
#> 64001 3 0.1163 0.9047 0.028 0.000 0.972
#> 64002 1 0.0000 0.9584 1.000 0.000 0.000
#> 65005 3 0.0592 0.9091 0.012 0.000 0.988
#> 68001 1 0.0000 0.9584 1.000 0.000 0.000
#> 68003 3 0.0000 0.9079 0.000 0.000 1.000
#> 84004 3 0.0000 0.9079 0.000 0.000 1.000
#> LAL5 2 0.5591 0.6748 0.000 0.696 0.304
#> 01003 2 0.0000 0.8443 0.000 1.000 0.000
#> 01007 2 0.0000 0.8443 0.000 1.000 0.000
#> 02020 2 0.0000 0.8443 0.000 1.000 0.000
#> 04018 2 0.0000 0.8443 0.000 1.000 0.000
#> 09002 2 0.0237 0.8427 0.000 0.996 0.004
#> 10005 3 0.6095 0.3562 0.000 0.392 0.608
#> 11002 2 0.0000 0.8443 0.000 1.000 0.000
#> 12008 2 0.4555 0.6639 0.000 0.800 0.200
#> 15006 1 0.2711 0.8932 0.912 0.088 0.000
#> 16002 2 0.0000 0.8443 0.000 1.000 0.000
#> 16007 2 0.0000 0.8443 0.000 1.000 0.000
#> 17003 2 0.0000 0.8443 0.000 1.000 0.000
#> 18001 2 0.0000 0.8443 0.000 1.000 0.000
#> 19002 2 0.0000 0.8443 0.000 1.000 0.000
#> 19008 2 0.0000 0.8443 0.000 1.000 0.000
#> 19014 2 0.0000 0.8443 0.000 1.000 0.000
#> 19017 2 0.0237 0.8427 0.000 0.996 0.004
#> 20005 2 0.0000 0.8443 0.000 1.000 0.000
#> 24006 2 0.0000 0.8443 0.000 1.000 0.000
#> 26009 1 0.2448 0.9045 0.924 0.076 0.000
#> 28008 2 0.0000 0.8443 0.000 1.000 0.000
#> 28009 2 0.0000 0.8443 0.000 1.000 0.000
#> 31015 2 0.0000 0.8443 0.000 1.000 0.000
#> 37001 2 0.0000 0.8443 0.000 1.000 0.000
#> 43006 2 0.0000 0.8443 0.000 1.000 0.000
#> 43015 2 0.0000 0.8443 0.000 1.000 0.000
#> 44001 2 0.0000 0.8443 0.000 1.000 0.000
#> 49004 2 0.0000 0.8443 0.000 1.000 0.000
#> 56007 2 0.0000 0.8443 0.000 1.000 0.000
#> 64005 2 0.0000 0.8443 0.000 1.000 0.000
#> 65003 2 0.0000 0.8443 0.000 1.000 0.000
#> 83001 2 0.0000 0.8443 0.000 1.000 0.000
#> LAL4 2 0.0000 0.8443 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 04008 1 0.2868 0.8297 0.864 0.000 0.136 0.000
#> 04010 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 08001 3 0.4999 0.0171 0.000 0.000 0.508 0.492
#> 08011 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 08018 3 0.0707 0.9568 0.000 0.000 0.980 0.020
#> 08024 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 09008 1 0.2647 0.8589 0.880 0.000 0.000 0.120
#> 09017 4 0.3764 0.7186 0.000 0.000 0.216 0.784
#> 11005 3 0.2408 0.8742 0.000 0.000 0.896 0.104
#> 12006 3 0.0817 0.9539 0.000 0.000 0.976 0.024
#> 12007 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 12026 3 0.0336 0.9664 0.000 0.008 0.992 0.000
#> 14016 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 15001 3 0.0188 0.9695 0.004 0.000 0.996 0.000
#> 15004 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 15005 1 0.4594 0.6363 0.712 0.000 0.008 0.280
#> 16004 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 20002 1 0.2216 0.8812 0.908 0.000 0.092 0.000
#> 22009 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 22010 2 0.2216 0.9002 0.000 0.908 0.000 0.092
#> 22011 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 24005 4 0.0469 0.9554 0.000 0.000 0.012 0.988
#> 24008 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 24018 1 0.3688 0.7446 0.792 0.000 0.000 0.208
#> 24019 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 26003 4 0.0188 0.9611 0.000 0.000 0.004 0.996
#> 26005 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28001 4 0.1356 0.9362 0.000 0.008 0.032 0.960
#> 28003 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28019 1 0.3610 0.7675 0.800 0.000 0.000 0.200
#> 28021 4 0.4761 0.3732 0.372 0.000 0.000 0.628
#> 28023 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28028 4 0.0336 0.9588 0.000 0.000 0.008 0.992
#> 28031 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28032 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28035 4 0.1637 0.9118 0.060 0.000 0.000 0.940
#> 28036 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 31007 4 0.3266 0.7838 0.000 0.168 0.000 0.832
#> 31011 4 0.0336 0.9587 0.000 0.000 0.008 0.992
#> 33005 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 36002 4 0.2868 0.8283 0.000 0.000 0.136 0.864
#> 37013 3 0.0469 0.9641 0.000 0.000 0.988 0.012
#> 43001 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 48001 1 0.0469 0.9423 0.988 0.000 0.000 0.012
#> 49006 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 57001 4 0.0336 0.9579 0.000 0.008 0.000 0.992
#> 62001 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 62002 4 0.0707 0.9492 0.000 0.000 0.020 0.980
#> 62003 3 0.3208 0.8092 0.148 0.000 0.848 0.004
#> 63001 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9724 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.9484 1.000 0.000 0.000 0.000
#> 68003 3 0.0707 0.9581 0.000 0.000 0.980 0.020
#> 84004 3 0.2469 0.8703 0.000 0.000 0.892 0.108
#> LAL5 4 0.0000 0.9632 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 04018 2 0.0188 0.9882 0.000 0.996 0.000 0.004
#> 09002 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 10005 2 0.2469 0.8705 0.000 0.892 0.108 0.000
#> 11002 2 0.0336 0.9860 0.000 0.992 0.000 0.008
#> 12008 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 15006 1 0.1637 0.9101 0.940 0.060 0.000 0.000
#> 16002 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 18001 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 19014 2 0.0592 0.9803 0.000 0.984 0.000 0.016
#> 19017 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 20005 2 0.0469 0.9832 0.000 0.988 0.000 0.012
#> 24006 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 26009 1 0.2011 0.8931 0.920 0.080 0.000 0.000
#> 28008 2 0.0592 0.9803 0.000 0.984 0.000 0.016
#> 28009 2 0.0336 0.9860 0.000 0.992 0.000 0.008
#> 31015 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> 65003 2 0.0592 0.9803 0.000 0.984 0.000 0.016
#> 83001 2 0.0000 0.9901 0.000 1.000 0.000 0.000
#> LAL4 2 0.0188 0.9882 0.000 0.996 0.000 0.004
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0794 0.824 0.000 0.000 0.972 0.000 0.028
#> 01010 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 03002 5 0.4249 0.284 0.000 0.000 0.432 0.000 0.568
#> 04006 1 0.0324 0.907 0.992 0.000 0.004 0.000 0.004
#> 04007 3 0.1408 0.817 0.000 0.000 0.948 0.008 0.044
#> 04008 3 0.4403 0.202 0.436 0.000 0.560 0.000 0.004
#> 04010 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0880 0.825 0.000 0.000 0.968 0.000 0.032
#> 06002 3 0.0000 0.828 0.000 0.000 1.000 0.000 0.000
#> 08001 5 0.6402 0.486 0.000 0.000 0.216 0.276 0.508
#> 08011 3 0.0000 0.828 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.1377 0.809 0.000 0.004 0.956 0.020 0.020
#> 08018 3 0.2429 0.766 0.000 0.004 0.900 0.076 0.020
#> 08024 3 0.0609 0.822 0.000 0.000 0.980 0.000 0.020
#> 09008 1 0.3983 0.708 0.784 0.000 0.000 0.052 0.164
#> 09017 5 0.4129 0.528 0.000 0.000 0.040 0.204 0.756
#> 11005 5 0.4866 0.559 0.000 0.000 0.284 0.052 0.664
#> 12006 5 0.2338 0.635 0.000 0.000 0.112 0.004 0.884
#> 12007 3 0.2516 0.753 0.000 0.000 0.860 0.000 0.140
#> 12012 3 0.3336 0.652 0.000 0.000 0.772 0.000 0.228
#> 12019 3 0.0290 0.828 0.000 0.000 0.992 0.000 0.008
#> 12026 3 0.3689 0.625 0.000 0.004 0.740 0.000 0.256
#> 14016 5 0.4251 0.366 0.000 0.004 0.372 0.000 0.624
#> 15001 3 0.0290 0.826 0.000 0.000 0.992 0.000 0.008
#> 15004 4 0.1197 0.775 0.000 0.000 0.000 0.952 0.048
#> 15005 5 0.5330 0.201 0.424 0.000 0.008 0.036 0.532
#> 16004 1 0.4283 0.629 0.692 0.000 0.004 0.012 0.292
#> 16009 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.3704 0.791 0.832 0.000 0.112 0.020 0.036
#> 20002 1 0.2036 0.853 0.920 0.000 0.056 0.000 0.024
#> 22009 3 0.3876 0.502 0.000 0.000 0.684 0.000 0.316
#> 22010 2 0.4832 0.675 0.000 0.712 0.000 0.088 0.200
#> 22011 3 0.0510 0.828 0.000 0.000 0.984 0.000 0.016
#> 22013 3 0.3707 0.555 0.000 0.000 0.716 0.000 0.284
#> 24001 3 0.0771 0.825 0.000 0.000 0.976 0.004 0.020
#> 24005 4 0.3248 0.705 0.000 0.004 0.088 0.856 0.052
#> 24008 3 0.3707 0.555 0.000 0.000 0.716 0.000 0.284
#> 24010 5 0.3816 0.410 0.000 0.000 0.304 0.000 0.696
#> 24011 3 0.1043 0.822 0.000 0.000 0.960 0.000 0.040
#> 24017 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 24018 5 0.3993 0.515 0.216 0.000 0.000 0.028 0.756
#> 24019 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.4291 0.210 0.000 0.000 0.000 0.536 0.464
#> 25003 3 0.3274 0.664 0.000 0.000 0.780 0.000 0.220
#> 25006 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.0510 0.827 0.000 0.000 0.984 0.000 0.016
#> 26003 4 0.4283 0.271 0.000 0.000 0.000 0.544 0.456
#> 26005 3 0.0162 0.827 0.000 0.000 0.996 0.000 0.004
#> 26008 1 0.0324 0.907 0.992 0.000 0.004 0.000 0.004
#> 27003 5 0.3707 0.404 0.000 0.000 0.000 0.284 0.716
#> 27004 4 0.2424 0.745 0.000 0.000 0.000 0.868 0.132
#> 28001 5 0.2228 0.546 0.000 0.004 0.004 0.092 0.900
#> 28003 4 0.0566 0.781 0.000 0.004 0.000 0.984 0.012
#> 28005 4 0.2561 0.739 0.000 0.000 0.000 0.856 0.144
#> 28006 5 0.4478 0.012 0.000 0.008 0.004 0.360 0.628
#> 28007 4 0.0794 0.780 0.000 0.000 0.000 0.972 0.028
#> 28019 1 0.1915 0.869 0.928 0.000 0.000 0.040 0.032
#> 28021 1 0.4597 0.541 0.696 0.000 0.000 0.260 0.044
#> 28023 4 0.0290 0.782 0.000 0.000 0.000 0.992 0.008
#> 28024 4 0.0290 0.782 0.000 0.000 0.000 0.992 0.008
#> 28028 4 0.3207 0.704 0.000 0.012 0.084 0.864 0.040
#> 28031 4 0.1124 0.780 0.004 0.000 0.000 0.960 0.036
#> 28032 4 0.1492 0.767 0.000 0.008 0.004 0.948 0.040
#> 28035 4 0.5173 0.112 0.460 0.000 0.000 0.500 0.040
#> 28036 4 0.3336 0.665 0.000 0.000 0.000 0.772 0.228
#> 28037 1 0.0955 0.895 0.968 0.000 0.000 0.004 0.028
#> 28042 4 0.1195 0.768 0.000 0.012 0.000 0.960 0.028
#> 28043 4 0.2280 0.749 0.000 0.000 0.000 0.880 0.120
#> 28044 4 0.3480 0.645 0.000 0.000 0.000 0.752 0.248
#> 28047 4 0.0609 0.781 0.000 0.000 0.000 0.980 0.020
#> 30001 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 31007 4 0.5086 0.337 0.000 0.008 0.024 0.560 0.408
#> 31011 4 0.4294 0.242 0.000 0.000 0.000 0.532 0.468
#> 33005 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0162 0.908 0.996 0.000 0.000 0.004 0.000
#> 36002 5 0.4941 0.351 0.000 0.000 0.044 0.328 0.628
#> 37013 5 0.4276 0.408 0.000 0.000 0.380 0.004 0.616
#> 43001 5 0.2719 0.607 0.000 0.000 0.144 0.004 0.852
#> 43004 4 0.4287 0.275 0.000 0.000 0.000 0.540 0.460
#> 43007 3 0.0912 0.819 0.000 0.000 0.972 0.012 0.016
#> 43012 4 0.0000 0.780 0.000 0.000 0.000 1.000 0.000
#> 48001 1 0.1331 0.885 0.952 0.000 0.000 0.008 0.040
#> 49006 3 0.3143 0.674 0.000 0.000 0.796 0.000 0.204
#> 57001 4 0.1117 0.769 0.000 0.020 0.000 0.964 0.016
#> 62001 4 0.3730 0.597 0.000 0.000 0.000 0.712 0.288
#> 62002 5 0.4306 0.351 0.000 0.000 0.012 0.328 0.660
#> 62003 5 0.4879 0.605 0.176 0.000 0.108 0.000 0.716
#> 63001 3 0.4134 0.598 0.000 0.000 0.744 0.032 0.224
#> 64001 3 0.0794 0.824 0.000 0.000 0.972 0.000 0.028
#> 64002 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.2280 0.767 0.000 0.000 0.880 0.000 0.120
#> 68001 1 0.0000 0.909 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.4787 0.291 0.000 0.000 0.432 0.020 0.548
#> 84004 3 0.5819 -0.273 0.000 0.000 0.456 0.092 0.452
#> LAL5 4 0.1195 0.774 0.000 0.012 0.000 0.960 0.028
#> 01003 2 0.0579 0.936 0.000 0.984 0.000 0.008 0.008
#> 01007 2 0.0798 0.934 0.000 0.976 0.000 0.016 0.008
#> 02020 2 0.1043 0.929 0.000 0.960 0.000 0.000 0.040
#> 04018 2 0.1830 0.914 0.000 0.924 0.000 0.068 0.008
#> 09002 2 0.0981 0.934 0.000 0.972 0.008 0.012 0.008
#> 10005 2 0.5958 0.585 0.000 0.620 0.168 0.008 0.204
#> 11002 2 0.3944 0.773 0.000 0.756 0.004 0.016 0.224
#> 12008 2 0.0703 0.932 0.000 0.976 0.000 0.000 0.024
#> 15006 1 0.2848 0.767 0.840 0.156 0.000 0.004 0.000
#> 16002 2 0.1082 0.932 0.000 0.964 0.000 0.028 0.008
#> 16007 2 0.1764 0.918 0.000 0.928 0.000 0.064 0.008
#> 17003 2 0.3305 0.786 0.000 0.776 0.000 0.000 0.224
#> 18001 2 0.1740 0.923 0.000 0.932 0.000 0.056 0.012
#> 19002 2 0.0798 0.936 0.000 0.976 0.000 0.008 0.016
#> 19008 2 0.1117 0.935 0.000 0.964 0.000 0.020 0.016
#> 19014 2 0.0703 0.932 0.000 0.976 0.000 0.000 0.024
#> 19017 2 0.0609 0.932 0.000 0.980 0.000 0.000 0.020
#> 20005 2 0.3053 0.831 0.000 0.828 0.000 0.164 0.008
#> 24006 2 0.0404 0.933 0.000 0.988 0.000 0.000 0.012
#> 26009 1 0.3913 0.518 0.676 0.324 0.000 0.000 0.000
#> 28008 2 0.3214 0.871 0.000 0.844 0.000 0.036 0.120
#> 28009 2 0.1568 0.932 0.000 0.944 0.000 0.036 0.020
#> 31015 2 0.1908 0.899 0.000 0.908 0.000 0.000 0.092
#> 37001 2 0.0798 0.935 0.000 0.976 0.000 0.008 0.016
#> 43006 2 0.1894 0.913 0.000 0.920 0.000 0.072 0.008
#> 43015 2 0.0290 0.934 0.000 0.992 0.000 0.000 0.008
#> 44001 2 0.0880 0.930 0.000 0.968 0.000 0.000 0.032
#> 49004 2 0.1492 0.928 0.000 0.948 0.004 0.040 0.008
#> 56007 2 0.1168 0.931 0.000 0.960 0.000 0.032 0.008
#> 64005 2 0.0609 0.933 0.000 0.980 0.000 0.000 0.020
#> 65003 2 0.0693 0.936 0.000 0.980 0.000 0.012 0.008
#> 83001 2 0.0693 0.935 0.000 0.980 0.000 0.008 0.012
#> LAL4 2 0.0703 0.932 0.000 0.976 0.000 0.000 0.024
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0937 0.8384 0.000 0.000 0.960 0.000 0.040 0.000
#> 01010 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 03002 5 0.2784 0.6927 0.000 0.000 0.124 0.000 0.848 0.028
#> 04006 1 0.1327 0.8810 0.936 0.000 0.000 0.000 0.000 0.064
#> 04007 3 0.0865 0.8403 0.000 0.000 0.964 0.000 0.036 0.000
#> 04008 3 0.3847 0.1512 0.456 0.000 0.544 0.000 0.000 0.000
#> 04010 1 0.0000 0.9114 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 3 0.4200 0.2985 0.000 0.000 0.592 0.012 0.004 0.392
#> 06002 3 0.0260 0.8382 0.000 0.000 0.992 0.000 0.000 0.008
#> 08001 5 0.3358 0.7216 0.000 0.000 0.052 0.116 0.824 0.008
#> 08011 3 0.0146 0.8397 0.000 0.000 0.996 0.000 0.004 0.000
#> 08012 3 0.0146 0.8376 0.000 0.000 0.996 0.000 0.004 0.000
#> 08018 3 0.1750 0.8007 0.004 0.000 0.928 0.056 0.004 0.008
#> 08024 3 0.1501 0.8008 0.000 0.000 0.924 0.000 0.000 0.076
#> 09008 1 0.3758 0.6887 0.772 0.000 0.000 0.048 0.176 0.004
#> 09017 5 0.0837 0.7214 0.000 0.000 0.004 0.004 0.972 0.020
#> 11005 5 0.2688 0.7311 0.000 0.000 0.048 0.024 0.884 0.044
#> 12006 5 0.2847 0.6981 0.000 0.000 0.016 0.012 0.852 0.120
#> 12007 3 0.3265 0.6539 0.000 0.000 0.748 0.000 0.248 0.004
#> 12012 3 0.3448 0.6072 0.000 0.000 0.716 0.000 0.280 0.004
#> 12019 3 0.0405 0.8408 0.000 0.000 0.988 0.004 0.008 0.000
#> 12026 3 0.4712 0.1999 0.000 0.004 0.512 0.000 0.448 0.036
#> 14016 5 0.3141 0.6657 0.000 0.004 0.124 0.000 0.832 0.040
#> 15001 3 0.0291 0.8376 0.000 0.000 0.992 0.000 0.004 0.004
#> 15004 6 0.3966 -0.0400 0.000 0.000 0.004 0.444 0.000 0.552
#> 15005 5 0.2586 0.7051 0.080 0.000 0.008 0.032 0.880 0.000
#> 16004 6 0.2320 0.5706 0.132 0.000 0.000 0.000 0.004 0.864
#> 16009 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 19005 6 0.4564 0.0910 0.396 0.000 0.020 0.000 0.012 0.572
#> 20002 1 0.1313 0.8892 0.952 0.000 0.028 0.000 0.016 0.004
#> 22009 5 0.4561 0.0313 0.000 0.000 0.428 0.000 0.536 0.036
#> 22010 2 0.5112 0.2669 0.000 0.504 0.000 0.008 0.428 0.060
#> 22011 3 0.1168 0.8401 0.000 0.000 0.956 0.000 0.028 0.016
#> 22013 5 0.4089 -0.0379 0.000 0.000 0.468 0.000 0.524 0.008
#> 24001 3 0.0622 0.8403 0.000 0.000 0.980 0.000 0.008 0.012
#> 24005 6 0.4881 0.2669 0.000 0.000 0.068 0.324 0.004 0.604
#> 24008 6 0.3881 0.2275 0.000 0.004 0.396 0.000 0.000 0.600
#> 24010 6 0.5212 0.2909 0.000 0.008 0.072 0.008 0.308 0.604
#> 24011 3 0.1320 0.8306 0.000 0.000 0.948 0.000 0.016 0.036
#> 24017 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 24018 5 0.4387 0.5407 0.104 0.000 0.000 0.008 0.736 0.152
#> 24019 1 0.0146 0.9110 0.996 0.000 0.004 0.000 0.000 0.000
#> 24022 5 0.4105 0.4296 0.000 0.000 0.000 0.348 0.632 0.020
#> 25003 3 0.3982 0.1855 0.000 0.000 0.536 0.000 0.460 0.004
#> 25006 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 26001 3 0.1644 0.8220 0.000 0.000 0.920 0.000 0.076 0.004
#> 26003 5 0.3647 0.4133 0.000 0.000 0.000 0.360 0.640 0.000
#> 26005 3 0.0000 0.8387 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 1 0.1075 0.8917 0.952 0.000 0.000 0.000 0.000 0.048
#> 27003 5 0.3044 0.6977 0.000 0.000 0.000 0.116 0.836 0.048
#> 27004 4 0.2412 0.8093 0.000 0.000 0.000 0.880 0.092 0.028
#> 28001 6 0.4593 0.2449 0.000 0.004 0.000 0.040 0.352 0.604
#> 28003 4 0.1723 0.8244 0.004 0.008 0.004 0.940 0.024 0.020
#> 28005 4 0.2586 0.8076 0.000 0.000 0.000 0.868 0.100 0.032
#> 28006 6 0.4519 0.5074 0.000 0.008 0.000 0.120 0.148 0.724
#> 28007 4 0.1408 0.8282 0.000 0.000 0.000 0.944 0.020 0.036
#> 28019 1 0.2207 0.8533 0.900 0.000 0.000 0.076 0.016 0.008
#> 28021 1 0.2742 0.8012 0.852 0.000 0.000 0.128 0.012 0.008
#> 28023 4 0.0665 0.8277 0.004 0.000 0.000 0.980 0.008 0.008
#> 28024 4 0.1265 0.8227 0.000 0.000 0.000 0.948 0.008 0.044
#> 28028 4 0.4213 0.5920 0.000 0.000 0.048 0.708 0.004 0.240
#> 28031 4 0.1802 0.8098 0.012 0.000 0.000 0.916 0.000 0.072
#> 28032 4 0.3240 0.6425 0.000 0.000 0.004 0.752 0.000 0.244
#> 28035 4 0.4493 0.0202 0.484 0.000 0.000 0.492 0.016 0.008
#> 28036 4 0.3541 0.6516 0.000 0.000 0.000 0.728 0.260 0.012
#> 28037 1 0.0363 0.9079 0.988 0.000 0.000 0.000 0.012 0.000
#> 28042 4 0.0508 0.8231 0.000 0.004 0.000 0.984 0.000 0.012
#> 28043 4 0.2513 0.7888 0.000 0.000 0.000 0.852 0.140 0.008
#> 28044 4 0.3488 0.6721 0.004 0.000 0.000 0.744 0.244 0.008
#> 28047 4 0.1333 0.8259 0.000 0.000 0.000 0.944 0.008 0.048
#> 30001 1 0.0000 0.9114 1.000 0.000 0.000 0.000 0.000 0.000
#> 31007 6 0.2068 0.5656 0.000 0.008 0.008 0.080 0.000 0.904
#> 31011 5 0.3874 0.4101 0.000 0.000 0.000 0.356 0.636 0.008
#> 33005 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 36001 1 0.1296 0.8926 0.952 0.000 0.004 0.032 0.000 0.012
#> 36002 5 0.3339 0.6997 0.000 0.000 0.012 0.144 0.816 0.028
#> 37013 5 0.1226 0.7262 0.004 0.000 0.040 0.000 0.952 0.004
#> 43001 5 0.4020 0.5274 0.000 0.000 0.032 0.000 0.692 0.276
#> 43004 5 0.4312 0.3462 0.000 0.000 0.000 0.368 0.604 0.028
#> 43007 3 0.0291 0.8364 0.000 0.000 0.992 0.004 0.004 0.000
#> 43012 4 0.0436 0.8260 0.000 0.004 0.000 0.988 0.004 0.004
#> 48001 1 0.3785 0.7149 0.764 0.000 0.000 0.012 0.028 0.196
#> 49006 3 0.3052 0.6862 0.000 0.000 0.780 0.000 0.216 0.004
#> 57001 4 0.1741 0.8125 0.004 0.020 0.012 0.940 0.004 0.020
#> 62001 4 0.4065 0.5673 0.000 0.000 0.000 0.672 0.300 0.028
#> 62002 5 0.1738 0.7276 0.000 0.004 0.000 0.052 0.928 0.016
#> 62003 5 0.0964 0.7239 0.000 0.004 0.016 0.000 0.968 0.012
#> 63001 6 0.3383 0.5221 0.000 0.004 0.208 0.008 0.004 0.776
#> 64001 3 0.0937 0.8384 0.000 0.000 0.960 0.000 0.040 0.000
#> 64002 1 0.0146 0.9110 0.996 0.000 0.004 0.000 0.000 0.000
#> 65005 3 0.1501 0.8235 0.000 0.000 0.924 0.000 0.076 0.000
#> 68001 1 0.0146 0.9117 0.996 0.000 0.000 0.000 0.000 0.004
#> 68003 5 0.1866 0.7230 0.000 0.000 0.084 0.008 0.908 0.000
#> 84004 5 0.5171 0.5850 0.000 0.000 0.228 0.140 0.628 0.004
#> LAL5 4 0.1601 0.8279 0.004 0.004 0.004 0.944 0.028 0.016
#> 01003 2 0.0665 0.9077 0.000 0.980 0.000 0.004 0.008 0.008
#> 01007 2 0.0260 0.9076 0.000 0.992 0.000 0.000 0.000 0.008
#> 02020 2 0.2852 0.8393 0.000 0.856 0.000 0.000 0.080 0.064
#> 04018 2 0.1367 0.8953 0.000 0.944 0.000 0.044 0.000 0.012
#> 09002 2 0.0260 0.9079 0.000 0.992 0.000 0.000 0.000 0.008
#> 10005 6 0.5453 0.0637 0.000 0.428 0.104 0.000 0.004 0.464
#> 11002 6 0.3819 0.2303 0.000 0.372 0.000 0.004 0.000 0.624
#> 12008 2 0.1408 0.9004 0.000 0.944 0.000 0.000 0.036 0.020
#> 15006 1 0.2805 0.7182 0.812 0.184 0.000 0.000 0.000 0.004
#> 16002 2 0.0146 0.9073 0.000 0.996 0.000 0.000 0.000 0.004
#> 16007 2 0.1461 0.8937 0.000 0.940 0.000 0.044 0.000 0.016
#> 17003 2 0.4183 0.5953 0.000 0.668 0.000 0.000 0.036 0.296
#> 18001 2 0.1480 0.9010 0.000 0.940 0.000 0.040 0.000 0.020
#> 19002 2 0.0436 0.9082 0.000 0.988 0.000 0.004 0.004 0.004
#> 19008 2 0.0405 0.9077 0.000 0.988 0.000 0.008 0.000 0.004
#> 19014 2 0.2001 0.8859 0.000 0.912 0.000 0.008 0.012 0.068
#> 19017 2 0.0935 0.9042 0.000 0.964 0.000 0.000 0.004 0.032
#> 20005 2 0.3342 0.6953 0.000 0.760 0.000 0.228 0.000 0.012
#> 24006 2 0.0405 0.9074 0.000 0.988 0.000 0.000 0.008 0.004
#> 26009 1 0.3547 0.4599 0.668 0.332 0.000 0.000 0.000 0.000
#> 28008 2 0.4344 0.4569 0.000 0.628 0.000 0.036 0.000 0.336
#> 28009 2 0.1074 0.9029 0.000 0.960 0.000 0.028 0.000 0.012
#> 31015 2 0.3136 0.7307 0.000 0.768 0.000 0.000 0.004 0.228
#> 37001 2 0.0405 0.9083 0.000 0.988 0.000 0.000 0.004 0.008
#> 43006 2 0.1745 0.8801 0.000 0.920 0.000 0.068 0.000 0.012
#> 43015 2 0.1333 0.8995 0.000 0.944 0.000 0.000 0.008 0.048
#> 44001 2 0.0935 0.9044 0.000 0.964 0.000 0.000 0.004 0.032
#> 49004 2 0.1003 0.9050 0.000 0.964 0.000 0.016 0.000 0.020
#> 56007 2 0.1003 0.9044 0.000 0.964 0.000 0.020 0.000 0.016
#> 64005 2 0.1225 0.9018 0.000 0.952 0.000 0.000 0.036 0.012
#> 65003 2 0.0837 0.9069 0.000 0.972 0.000 0.020 0.004 0.004
#> 83001 2 0.0748 0.9082 0.000 0.976 0.000 0.004 0.004 0.016
#> LAL4 2 0.1686 0.8886 0.000 0.924 0.000 0.000 0.012 0.064
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> CV:NMF 117 0.944 0.666 2.63e-03 2
#> CV:NMF 117 0.182 0.701 3.30e-08 3
#> CV:NMF 126 0.296 0.609 4.09e-19 4
#> CV:NMF 109 0.319 0.759 5.65e-13 5
#> CV:NMF 106 0.603 0.509 9.06e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "hclust"]
# you can also extract it by
# res = res_list["MAD:hclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.460 0.864 0.919 0.3605 0.674 0.674
#> 3 3 0.328 0.663 0.785 0.6718 0.688 0.537
#> 4 4 0.470 0.500 0.704 0.1966 0.853 0.623
#> 5 5 0.544 0.565 0.703 0.0793 0.908 0.690
#> 6 6 0.597 0.480 0.632 0.0482 0.914 0.651
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.2043 0.9146 0.032 0.968
#> 01010 1 0.0376 0.9054 0.996 0.004
#> 03002 2 0.2236 0.9146 0.036 0.964
#> 04006 1 0.0376 0.9054 0.996 0.004
#> 04007 2 0.0000 0.9155 0.000 1.000
#> 04008 1 0.9983 0.0301 0.524 0.476
#> 04010 1 0.0376 0.9054 0.996 0.004
#> 04016 2 0.0000 0.9155 0.000 1.000
#> 06002 2 0.4815 0.8869 0.104 0.896
#> 08001 2 0.0000 0.9155 0.000 1.000
#> 08011 2 0.2043 0.9146 0.032 0.968
#> 08012 2 0.0938 0.9169 0.012 0.988
#> 08018 2 0.3431 0.9056 0.064 0.936
#> 08024 2 0.3274 0.9083 0.060 0.940
#> 09008 1 0.6247 0.8218 0.844 0.156
#> 09017 2 0.5737 0.8668 0.136 0.864
#> 11005 2 0.0000 0.9155 0.000 1.000
#> 12006 2 0.6148 0.8609 0.152 0.848
#> 12007 2 0.2043 0.9146 0.032 0.968
#> 12012 2 0.5737 0.8680 0.136 0.864
#> 12019 2 0.2423 0.9130 0.040 0.960
#> 12026 2 0.6623 0.8385 0.172 0.828
#> 14016 2 0.6623 0.8385 0.172 0.828
#> 15001 2 0.3114 0.9093 0.056 0.944
#> 15004 2 0.6887 0.8276 0.184 0.816
#> 15005 1 0.6247 0.8218 0.844 0.156
#> 16004 1 0.5737 0.8283 0.864 0.136
#> 16009 1 0.0376 0.9054 0.996 0.004
#> 19005 1 0.5737 0.8283 0.864 0.136
#> 20002 1 0.9833 0.2308 0.576 0.424
#> 22009 2 0.6531 0.8445 0.168 0.832
#> 22010 2 0.6887 0.8339 0.184 0.816
#> 22011 2 0.0672 0.9165 0.008 0.992
#> 22013 2 0.6887 0.8247 0.184 0.816
#> 24001 2 0.0376 0.9161 0.004 0.996
#> 24005 2 0.1843 0.9169 0.028 0.972
#> 24008 2 0.3114 0.9093 0.056 0.944
#> 24010 2 0.6148 0.8609 0.152 0.848
#> 24011 2 0.4161 0.8977 0.084 0.916
#> 24017 1 0.5737 0.8413 0.864 0.136
#> 24018 2 0.9983 0.1919 0.476 0.524
#> 24019 1 0.0376 0.9054 0.996 0.004
#> 24022 2 0.0000 0.9155 0.000 1.000
#> 25003 2 0.2236 0.9131 0.036 0.964
#> 25006 1 0.0376 0.9054 0.996 0.004
#> 26001 2 0.4815 0.8869 0.104 0.896
#> 26003 2 0.0000 0.9155 0.000 1.000
#> 26005 2 0.3274 0.9064 0.060 0.940
#> 26008 1 0.0376 0.9054 0.996 0.004
#> 27003 2 0.8861 0.6606 0.304 0.696
#> 27004 2 0.0376 0.9163 0.004 0.996
#> 28001 2 0.9129 0.6196 0.328 0.672
#> 28003 2 0.4161 0.9009 0.084 0.916
#> 28005 2 0.0376 0.9163 0.004 0.996
#> 28006 2 0.6148 0.8579 0.152 0.848
#> 28007 2 0.0376 0.9163 0.004 0.996
#> 28019 1 0.3584 0.8991 0.932 0.068
#> 28021 1 0.3584 0.8991 0.932 0.068
#> 28023 2 0.1184 0.9160 0.016 0.984
#> 28024 2 0.0376 0.9163 0.004 0.996
#> 28028 2 0.0000 0.9155 0.000 1.000
#> 28031 2 0.2043 0.9158 0.032 0.968
#> 28032 2 0.0000 0.9155 0.000 1.000
#> 28035 1 0.3584 0.8991 0.932 0.068
#> 28036 2 0.0000 0.9155 0.000 1.000
#> 28037 1 0.3584 0.8991 0.932 0.068
#> 28042 2 0.5178 0.8828 0.116 0.884
#> 28043 2 0.0000 0.9155 0.000 1.000
#> 28044 2 0.4939 0.8833 0.108 0.892
#> 28047 2 0.0376 0.9163 0.004 0.996
#> 30001 1 0.3584 0.8991 0.932 0.068
#> 31007 2 0.6887 0.8276 0.184 0.816
#> 31011 2 0.2948 0.9106 0.052 0.948
#> 33005 1 0.0376 0.9054 0.996 0.004
#> 36001 1 0.3114 0.9025 0.944 0.056
#> 36002 2 0.0000 0.9155 0.000 1.000
#> 37013 2 0.7139 0.8149 0.196 0.804
#> 43001 2 0.7139 0.8160 0.196 0.804
#> 43004 2 0.7745 0.7740 0.228 0.772
#> 43007 2 0.0000 0.9155 0.000 1.000
#> 43012 2 0.2043 0.9158 0.032 0.968
#> 48001 1 0.2948 0.9031 0.948 0.052
#> 49006 2 0.0376 0.9162 0.004 0.996
#> 57001 2 0.4161 0.9008 0.084 0.916
#> 62001 2 0.7139 0.7965 0.196 0.804
#> 62002 2 0.5946 0.8665 0.144 0.856
#> 62003 2 0.9983 0.1919 0.476 0.524
#> 63001 2 0.0000 0.9155 0.000 1.000
#> 64001 2 0.0000 0.9155 0.000 1.000
#> 64002 1 0.0376 0.9054 0.996 0.004
#> 65005 2 0.0000 0.9155 0.000 1.000
#> 68001 1 0.0376 0.9054 0.996 0.004
#> 68003 2 0.0376 0.9164 0.004 0.996
#> 84004 2 0.0000 0.9155 0.000 1.000
#> LAL5 2 0.2778 0.9119 0.048 0.952
#> 01003 2 0.5059 0.8823 0.112 0.888
#> 01007 2 0.5629 0.8700 0.132 0.868
#> 02020 2 0.7299 0.8099 0.204 0.796
#> 04018 2 0.5629 0.8700 0.132 0.868
#> 09002 2 0.0376 0.9148 0.004 0.996
#> 10005 2 0.0376 0.9148 0.004 0.996
#> 11002 2 0.0938 0.9159 0.012 0.988
#> 12008 2 0.0938 0.9159 0.012 0.988
#> 15006 1 0.0000 0.9031 1.000 0.000
#> 16002 2 0.2948 0.9099 0.052 0.948
#> 16007 2 0.0376 0.9148 0.004 0.996
#> 17003 2 0.7453 0.8003 0.212 0.788
#> 18001 2 0.0938 0.9159 0.012 0.988
#> 19002 2 0.5629 0.8700 0.132 0.868
#> 19008 2 0.0376 0.9148 0.004 0.996
#> 19014 2 0.7219 0.8145 0.200 0.800
#> 19017 2 0.0672 0.9152 0.008 0.992
#> 20005 2 0.0672 0.9152 0.008 0.992
#> 24006 2 0.5178 0.8804 0.116 0.884
#> 26009 1 0.0000 0.9031 1.000 0.000
#> 28008 2 0.0938 0.9159 0.012 0.988
#> 28009 2 0.5629 0.8700 0.132 0.868
#> 31015 2 0.0938 0.9159 0.012 0.988
#> 37001 2 0.5629 0.8700 0.132 0.868
#> 43006 2 0.0376 0.9148 0.004 0.996
#> 43015 2 0.0938 0.9159 0.012 0.988
#> 44001 2 0.5059 0.8823 0.112 0.888
#> 49004 2 0.0376 0.9148 0.004 0.996
#> 56007 2 0.0376 0.9148 0.004 0.996
#> 64005 2 0.0938 0.9159 0.012 0.988
#> 65003 2 0.5737 0.8681 0.136 0.864
#> 83001 2 0.5519 0.8720 0.128 0.872
#> LAL4 2 0.7219 0.8145 0.200 0.800
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.3752 0.716 0.020 0.096 0.884
#> 01010 1 0.0000 0.890 1.000 0.000 0.000
#> 03002 3 0.5698 0.665 0.012 0.252 0.736
#> 04006 1 0.0000 0.890 1.000 0.000 0.000
#> 04007 3 0.6280 0.264 0.000 0.460 0.540
#> 04008 1 0.6299 0.191 0.524 0.000 0.476
#> 04010 1 0.0000 0.890 1.000 0.000 0.000
#> 04016 3 0.6140 0.427 0.000 0.404 0.596
#> 06002 3 0.4838 0.706 0.076 0.076 0.848
#> 08001 3 0.6309 0.106 0.000 0.496 0.504
#> 08011 3 0.3752 0.716 0.020 0.096 0.884
#> 08012 3 0.5958 0.608 0.008 0.300 0.692
#> 08018 3 0.5047 0.709 0.036 0.140 0.824
#> 08024 3 0.4931 0.719 0.032 0.140 0.828
#> 09008 1 0.5944 0.774 0.792 0.088 0.120
#> 09017 3 0.6049 0.643 0.040 0.204 0.756
#> 11005 3 0.4796 0.683 0.000 0.220 0.780
#> 12006 3 0.7419 0.635 0.088 0.232 0.680
#> 12007 3 0.3752 0.716 0.020 0.096 0.884
#> 12012 3 0.4544 0.692 0.084 0.056 0.860
#> 12019 3 0.5899 0.661 0.020 0.244 0.736
#> 12026 3 0.5117 0.672 0.108 0.060 0.832
#> 14016 3 0.5117 0.672 0.108 0.060 0.832
#> 15001 3 0.3889 0.715 0.032 0.084 0.884
#> 15004 2 0.7820 0.487 0.072 0.604 0.324
#> 15005 1 0.5944 0.774 0.792 0.088 0.120
#> 16004 1 0.6518 0.726 0.752 0.080 0.168
#> 16009 1 0.0000 0.890 1.000 0.000 0.000
#> 19005 1 0.6518 0.726 0.752 0.080 0.168
#> 20002 1 0.6192 0.348 0.580 0.000 0.420
#> 22009 3 0.6677 0.636 0.080 0.180 0.740
#> 22010 2 0.6965 0.604 0.060 0.696 0.244
#> 22011 3 0.6339 0.512 0.008 0.360 0.632
#> 22013 3 0.4818 0.668 0.108 0.048 0.844
#> 24001 3 0.6209 0.490 0.004 0.368 0.628
#> 24005 2 0.5763 0.697 0.016 0.740 0.244
#> 24008 3 0.3889 0.715 0.032 0.084 0.884
#> 24010 3 0.7380 0.639 0.088 0.228 0.684
#> 24011 3 0.3456 0.705 0.036 0.060 0.904
#> 24017 1 0.3551 0.821 0.868 0.000 0.132
#> 24018 3 0.9950 0.144 0.340 0.288 0.372
#> 24019 1 0.0000 0.890 1.000 0.000 0.000
#> 24022 2 0.5497 0.632 0.000 0.708 0.292
#> 25003 3 0.5803 0.656 0.016 0.248 0.736
#> 25006 1 0.0000 0.890 1.000 0.000 0.000
#> 26001 3 0.4838 0.706 0.076 0.076 0.848
#> 26003 2 0.5529 0.627 0.000 0.704 0.296
#> 26005 3 0.3802 0.714 0.032 0.080 0.888
#> 26008 1 0.0000 0.890 1.000 0.000 0.000
#> 27003 3 0.9332 0.122 0.164 0.404 0.432
#> 27004 2 0.4796 0.713 0.000 0.780 0.220
#> 28001 3 0.9507 0.166 0.188 0.380 0.432
#> 28003 2 0.6057 0.704 0.044 0.760 0.196
#> 28005 2 0.5431 0.662 0.000 0.716 0.284
#> 28006 2 0.7710 0.388 0.056 0.576 0.368
#> 28007 2 0.4702 0.721 0.000 0.788 0.212
#> 28019 1 0.3434 0.875 0.904 0.032 0.064
#> 28021 1 0.3434 0.875 0.904 0.032 0.064
#> 28023 2 0.5315 0.711 0.012 0.772 0.216
#> 28024 2 0.4750 0.719 0.000 0.784 0.216
#> 28028 2 0.4842 0.711 0.000 0.776 0.224
#> 28031 2 0.5360 0.710 0.012 0.768 0.220
#> 28032 2 0.4842 0.711 0.000 0.776 0.224
#> 28035 1 0.3434 0.875 0.904 0.032 0.064
#> 28036 2 0.5216 0.679 0.000 0.740 0.260
#> 28037 1 0.3434 0.875 0.904 0.032 0.064
#> 28042 2 0.6282 0.598 0.012 0.664 0.324
#> 28043 2 0.6095 0.375 0.000 0.608 0.392
#> 28044 2 0.6827 0.678 0.080 0.728 0.192
#> 28047 2 0.4796 0.713 0.000 0.780 0.220
#> 30001 1 0.3434 0.875 0.904 0.032 0.064
#> 31007 2 0.7820 0.487 0.072 0.604 0.324
#> 31011 2 0.6526 0.634 0.036 0.704 0.260
#> 33005 1 0.0000 0.890 1.000 0.000 0.000
#> 36001 1 0.3267 0.879 0.912 0.044 0.044
#> 36002 3 0.5968 0.514 0.000 0.364 0.636
#> 37013 3 0.8731 0.405 0.116 0.368 0.516
#> 43001 3 0.8101 0.601 0.132 0.228 0.640
#> 43004 2 0.8666 0.376 0.120 0.544 0.336
#> 43007 3 0.5948 0.523 0.000 0.360 0.640
#> 43012 2 0.5360 0.710 0.012 0.768 0.220
#> 48001 1 0.3039 0.881 0.920 0.036 0.044
#> 49006 3 0.3038 0.711 0.000 0.104 0.896
#> 57001 2 0.5667 0.741 0.060 0.800 0.140
#> 62001 2 0.8067 0.562 0.160 0.652 0.188
#> 62002 2 0.7937 0.328 0.068 0.568 0.364
#> 62003 3 0.9950 0.144 0.340 0.288 0.372
#> 63001 3 0.5706 0.575 0.000 0.320 0.680
#> 64001 3 0.3192 0.709 0.000 0.112 0.888
#> 64002 1 0.0000 0.890 1.000 0.000 0.000
#> 65005 3 0.3192 0.709 0.000 0.112 0.888
#> 68001 1 0.0000 0.890 1.000 0.000 0.000
#> 68003 3 0.5325 0.658 0.004 0.248 0.748
#> 84004 3 0.6280 0.264 0.000 0.460 0.540
#> LAL5 2 0.5967 0.701 0.032 0.752 0.216
#> 01003 2 0.3237 0.729 0.032 0.912 0.056
#> 01007 2 0.2918 0.718 0.044 0.924 0.032
#> 02020 2 0.5538 0.626 0.072 0.812 0.116
#> 04018 2 0.2918 0.718 0.044 0.924 0.032
#> 09002 2 0.3619 0.747 0.000 0.864 0.136
#> 10005 2 0.6204 0.176 0.000 0.576 0.424
#> 11002 2 0.2711 0.756 0.000 0.912 0.088
#> 12008 2 0.3644 0.751 0.004 0.872 0.124
#> 15006 1 0.0424 0.887 0.992 0.008 0.000
#> 16002 2 0.3845 0.754 0.012 0.872 0.116
#> 16007 2 0.3482 0.751 0.000 0.872 0.128
#> 17003 2 0.5915 0.609 0.080 0.792 0.128
#> 18001 2 0.2796 0.755 0.000 0.908 0.092
#> 19002 2 0.2918 0.718 0.044 0.924 0.032
#> 19008 2 0.3619 0.747 0.000 0.864 0.136
#> 19014 2 0.5449 0.631 0.068 0.816 0.116
#> 19017 2 0.3482 0.749 0.000 0.872 0.128
#> 20005 2 0.3482 0.749 0.000 0.872 0.128
#> 24006 2 0.3267 0.730 0.044 0.912 0.044
#> 26009 1 0.0424 0.887 0.992 0.008 0.000
#> 28008 2 0.2711 0.756 0.000 0.912 0.088
#> 28009 2 0.2918 0.718 0.044 0.924 0.032
#> 31015 2 0.2711 0.756 0.000 0.912 0.088
#> 37001 2 0.2918 0.718 0.044 0.924 0.032
#> 43006 2 0.3619 0.747 0.000 0.864 0.136
#> 43015 2 0.3644 0.751 0.004 0.872 0.124
#> 44001 2 0.3237 0.729 0.032 0.912 0.056
#> 49004 2 0.3551 0.749 0.000 0.868 0.132
#> 56007 2 0.3619 0.747 0.000 0.864 0.136
#> 64005 2 0.3644 0.751 0.004 0.872 0.124
#> 65003 2 0.3572 0.712 0.040 0.900 0.060
#> 83001 2 0.2806 0.718 0.040 0.928 0.032
#> LAL4 2 0.5449 0.631 0.068 0.816 0.116
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.1610 0.7485 0.000 0.032 0.952 0.016
#> 01010 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 03002 3 0.6393 0.6185 0.000 0.100 0.616 0.284
#> 04006 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 04007 4 0.5846 -0.2353 0.000 0.032 0.452 0.516
#> 04008 1 0.5461 0.0818 0.508 0.008 0.480 0.004
#> 04010 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 04016 3 0.5925 0.3515 0.000 0.036 0.512 0.452
#> 06002 3 0.2958 0.7397 0.028 0.072 0.896 0.004
#> 08001 4 0.5691 -0.0343 0.000 0.028 0.408 0.564
#> 08011 3 0.1610 0.7485 0.000 0.032 0.952 0.016
#> 08012 3 0.5678 0.5772 0.000 0.044 0.640 0.316
#> 08018 3 0.4144 0.7337 0.000 0.068 0.828 0.104
#> 08024 3 0.3464 0.7524 0.000 0.056 0.868 0.076
#> 09008 1 0.6407 0.7388 0.712 0.120 0.040 0.128
#> 09017 3 0.7168 0.5910 0.000 0.236 0.556 0.208
#> 11005 3 0.5397 0.7015 0.000 0.068 0.720 0.212
#> 12006 3 0.7292 0.6247 0.020 0.180 0.604 0.196
#> 12007 3 0.1610 0.7485 0.000 0.032 0.952 0.016
#> 12012 3 0.3997 0.7335 0.028 0.120 0.840 0.012
#> 12019 3 0.5019 0.7070 0.004 0.044 0.752 0.200
#> 12026 3 0.4598 0.7120 0.044 0.160 0.792 0.004
#> 14016 3 0.4655 0.7125 0.040 0.160 0.792 0.008
#> 15001 3 0.1732 0.7494 0.004 0.040 0.948 0.008
#> 15004 4 0.6263 0.2935 0.004 0.328 0.064 0.604
#> 15005 1 0.6407 0.7388 0.712 0.120 0.040 0.128
#> 16004 1 0.5744 0.6380 0.676 0.276 0.032 0.016
#> 16009 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 19005 1 0.5744 0.6380 0.676 0.276 0.032 0.016
#> 20002 1 0.5236 0.2448 0.560 0.008 0.432 0.000
#> 22009 3 0.6979 0.6156 0.016 0.284 0.596 0.104
#> 22010 4 0.6329 0.2120 0.020 0.380 0.032 0.568
#> 22011 3 0.5860 0.4813 0.000 0.040 0.580 0.380
#> 22013 3 0.5353 0.6951 0.040 0.204 0.740 0.016
#> 24001 3 0.5816 0.4668 0.000 0.036 0.572 0.392
#> 24005 4 0.4727 0.4909 0.000 0.100 0.108 0.792
#> 24008 3 0.1732 0.7494 0.004 0.040 0.948 0.008
#> 24010 3 0.7289 0.6275 0.020 0.176 0.604 0.200
#> 24011 3 0.3099 0.7478 0.000 0.104 0.876 0.020
#> 24017 1 0.3105 0.7824 0.856 0.000 0.140 0.004
#> 24018 2 0.9439 0.0565 0.228 0.420 0.148 0.204
#> 24019 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 24022 4 0.3778 0.4946 0.000 0.052 0.100 0.848
#> 25003 3 0.5309 0.6782 0.000 0.044 0.700 0.256
#> 25006 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 26001 3 0.2958 0.7397 0.028 0.072 0.896 0.004
#> 26003 4 0.4037 0.4922 0.000 0.056 0.112 0.832
#> 26005 3 0.2300 0.7469 0.000 0.064 0.920 0.016
#> 26008 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 27003 2 0.8544 0.0504 0.064 0.468 0.156 0.312
#> 27004 4 0.2376 0.4981 0.000 0.068 0.016 0.916
#> 28001 2 0.8511 0.0605 0.064 0.484 0.160 0.292
#> 28003 4 0.4288 0.4463 0.020 0.140 0.020 0.820
#> 28005 4 0.4036 0.4975 0.000 0.076 0.088 0.836
#> 28006 4 0.6578 0.2697 0.004 0.296 0.096 0.604
#> 28007 4 0.2466 0.5081 0.000 0.056 0.028 0.916
#> 28019 1 0.4821 0.8250 0.812 0.104 0.032 0.052
#> 28021 1 0.4821 0.8250 0.812 0.104 0.032 0.052
#> 28023 4 0.2884 0.4939 0.004 0.068 0.028 0.900
#> 28024 4 0.2483 0.5095 0.000 0.052 0.032 0.916
#> 28028 4 0.2635 0.5026 0.000 0.076 0.020 0.904
#> 28031 4 0.3366 0.4818 0.004 0.096 0.028 0.872
#> 28032 4 0.2635 0.5026 0.000 0.076 0.020 0.904
#> 28035 1 0.4821 0.8250 0.812 0.104 0.032 0.052
#> 28036 4 0.3009 0.5019 0.000 0.052 0.056 0.892
#> 28037 1 0.4821 0.8250 0.812 0.104 0.032 0.052
#> 28042 4 0.5381 0.3824 0.004 0.232 0.048 0.716
#> 28043 4 0.4995 0.3745 0.000 0.032 0.248 0.720
#> 28044 4 0.4837 0.4510 0.040 0.116 0.036 0.808
#> 28047 4 0.2563 0.4971 0.000 0.072 0.020 0.908
#> 30001 1 0.4821 0.8250 0.812 0.104 0.032 0.052
#> 31007 4 0.6263 0.2935 0.004 0.328 0.064 0.604
#> 31011 4 0.6162 0.4410 0.012 0.136 0.148 0.704
#> 33005 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 36001 1 0.4036 0.8362 0.852 0.088 0.024 0.036
#> 36002 3 0.5663 0.4185 0.000 0.024 0.536 0.440
#> 37013 3 0.8968 0.2375 0.064 0.220 0.380 0.336
#> 43001 3 0.8109 0.5882 0.064 0.196 0.564 0.176
#> 43004 4 0.7287 0.2384 0.044 0.288 0.080 0.588
#> 43007 3 0.5560 0.4817 0.000 0.024 0.584 0.392
#> 43012 4 0.3366 0.4818 0.004 0.096 0.028 0.872
#> 48001 1 0.3780 0.8397 0.864 0.084 0.024 0.028
#> 49006 3 0.1629 0.7439 0.000 0.024 0.952 0.024
#> 57001 4 0.5337 0.3827 0.020 0.220 0.028 0.732
#> 62001 4 0.6475 0.3613 0.092 0.168 0.040 0.700
#> 62002 4 0.7545 0.2655 0.020 0.212 0.196 0.572
#> 62003 2 0.9439 0.0565 0.228 0.420 0.148 0.204
#> 63001 3 0.5949 0.5915 0.000 0.068 0.644 0.288
#> 64001 3 0.1837 0.7403 0.000 0.028 0.944 0.028
#> 64002 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 65005 3 0.1837 0.7403 0.000 0.028 0.944 0.028
#> 68001 1 0.0188 0.8621 0.996 0.000 0.004 0.000
#> 68003 3 0.5052 0.6789 0.000 0.036 0.720 0.244
#> 84004 4 0.5846 -0.2353 0.000 0.032 0.452 0.516
#> LAL5 4 0.4869 0.4745 0.004 0.128 0.080 0.788
#> 01003 2 0.4713 0.5000 0.000 0.640 0.000 0.360
#> 01007 2 0.4677 0.5796 0.004 0.680 0.000 0.316
#> 02020 2 0.3831 0.5551 0.000 0.792 0.004 0.204
#> 04018 2 0.4699 0.5816 0.004 0.676 0.000 0.320
#> 09002 4 0.5987 0.0831 0.000 0.440 0.040 0.520
#> 10005 3 0.7660 0.0278 0.000 0.356 0.428 0.216
#> 11002 4 0.4948 0.0596 0.000 0.440 0.000 0.560
#> 12008 4 0.5928 0.0172 0.000 0.456 0.036 0.508
#> 15006 1 0.0336 0.8590 0.992 0.008 0.000 0.000
#> 16002 2 0.5846 0.1791 0.000 0.516 0.032 0.452
#> 16007 4 0.5901 0.0841 0.000 0.432 0.036 0.532
#> 17003 2 0.3950 0.5392 0.004 0.804 0.008 0.184
#> 18001 4 0.5119 0.0659 0.000 0.440 0.004 0.556
#> 19002 2 0.4699 0.5816 0.004 0.676 0.000 0.320
#> 19008 4 0.5526 0.1416 0.000 0.416 0.020 0.564
#> 19014 2 0.3870 0.5575 0.000 0.788 0.004 0.208
#> 19017 4 0.5917 0.0581 0.000 0.444 0.036 0.520
#> 20005 4 0.5220 0.1302 0.000 0.424 0.008 0.568
#> 24006 2 0.4800 0.5317 0.004 0.656 0.000 0.340
#> 26009 1 0.0336 0.8590 0.992 0.008 0.000 0.000
#> 28008 4 0.4948 0.0596 0.000 0.440 0.000 0.560
#> 28009 2 0.4699 0.5816 0.004 0.676 0.000 0.320
#> 31015 4 0.4948 0.0596 0.000 0.440 0.000 0.560
#> 37001 2 0.4699 0.5816 0.004 0.676 0.000 0.320
#> 43006 4 0.5526 0.1416 0.000 0.416 0.020 0.564
#> 43015 4 0.5928 0.0172 0.000 0.456 0.036 0.508
#> 44001 2 0.4713 0.5000 0.000 0.640 0.000 0.360
#> 49004 4 0.5912 0.0889 0.000 0.440 0.036 0.524
#> 56007 4 0.5526 0.1416 0.000 0.416 0.020 0.564
#> 64005 4 0.5928 0.0172 0.000 0.456 0.036 0.508
#> 65003 2 0.4608 0.5804 0.004 0.692 0.000 0.304
#> 83001 2 0.4936 0.5757 0.000 0.672 0.012 0.316
#> LAL4 2 0.3870 0.5575 0.000 0.788 0.004 0.208
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.1444 0.6648 0.000 0.000 0.948 0.012 0.040
#> 01010 1 0.0290 0.7984 0.992 0.000 0.000 0.000 0.008
#> 03002 3 0.6718 0.4865 0.000 0.028 0.552 0.232 0.188
#> 04006 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 04007 4 0.6587 -0.1423 0.000 0.036 0.400 0.472 0.092
#> 04008 1 0.5389 0.0986 0.508 0.000 0.436 0.000 0.056
#> 04010 1 0.0404 0.7981 0.988 0.000 0.000 0.000 0.012
#> 04016 3 0.6600 0.2560 0.000 0.044 0.452 0.424 0.080
#> 06002 3 0.3441 0.6248 0.028 0.004 0.828 0.000 0.140
#> 08001 4 0.6890 0.0928 0.000 0.088 0.364 0.484 0.064
#> 08011 3 0.1444 0.6648 0.000 0.000 0.948 0.012 0.040
#> 08012 3 0.6516 0.5083 0.000 0.052 0.580 0.272 0.096
#> 08018 3 0.4128 0.6230 0.000 0.008 0.800 0.080 0.112
#> 08024 3 0.3986 0.6668 0.004 0.016 0.824 0.060 0.096
#> 09008 1 0.6492 0.5806 0.656 0.088 0.012 0.084 0.160
#> 09017 3 0.7149 0.3390 0.000 0.060 0.496 0.136 0.308
#> 11005 3 0.5574 0.5857 0.000 0.004 0.656 0.196 0.144
#> 12006 3 0.7014 0.4373 0.000 0.076 0.564 0.144 0.216
#> 12007 3 0.1444 0.6648 0.000 0.000 0.948 0.012 0.040
#> 12012 3 0.4319 0.6049 0.028 0.024 0.772 0.000 0.176
#> 12019 3 0.5316 0.6317 0.004 0.036 0.728 0.160 0.072
#> 12026 3 0.4839 0.5652 0.036 0.024 0.720 0.000 0.220
#> 14016 3 0.4792 0.5650 0.032 0.024 0.720 0.000 0.224
#> 15001 3 0.2115 0.6639 0.008 0.000 0.916 0.008 0.068
#> 15004 4 0.6805 0.2648 0.004 0.144 0.020 0.492 0.340
#> 15005 1 0.6492 0.5806 0.656 0.088 0.012 0.084 0.160
#> 16004 1 0.5155 0.4102 0.660 0.056 0.008 0.000 0.276
#> 16009 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.5155 0.4102 0.660 0.056 0.008 0.000 0.276
#> 20002 1 0.5405 0.2540 0.556 0.000 0.380 0.000 0.064
#> 22009 3 0.6701 0.3352 0.008 0.064 0.532 0.056 0.340
#> 22010 4 0.7141 0.1939 0.004 0.304 0.008 0.392 0.292
#> 22011 3 0.6822 0.4080 0.000 0.068 0.528 0.316 0.088
#> 22013 3 0.5102 0.5197 0.032 0.020 0.660 0.000 0.288
#> 24001 3 0.6624 0.3720 0.000 0.068 0.520 0.348 0.064
#> 24005 4 0.5786 0.5696 0.000 0.128 0.056 0.696 0.120
#> 24008 3 0.2115 0.6639 0.008 0.000 0.916 0.008 0.068
#> 24010 3 0.7024 0.4411 0.000 0.076 0.564 0.148 0.212
#> 24011 3 0.3107 0.6494 0.000 0.016 0.852 0.008 0.124
#> 24017 1 0.3073 0.7047 0.856 0.000 0.116 0.004 0.024
#> 24018 5 0.8645 0.7764 0.164 0.176 0.064 0.124 0.472
#> 24019 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3713 0.5796 0.000 0.056 0.068 0.844 0.032
#> 25003 3 0.5702 0.5954 0.000 0.036 0.672 0.212 0.080
#> 25006 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.3441 0.6248 0.028 0.004 0.828 0.000 0.140
#> 26003 4 0.3786 0.5811 0.000 0.052 0.072 0.840 0.036
#> 26005 3 0.2408 0.6524 0.000 0.004 0.892 0.008 0.096
#> 26008 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 27003 5 0.6906 0.7132 0.004 0.168 0.044 0.216 0.568
#> 27004 4 0.3732 0.6176 0.000 0.176 0.000 0.792 0.032
#> 28001 5 0.6723 0.7306 0.004 0.144 0.048 0.208 0.596
#> 28003 4 0.5559 0.5504 0.004 0.228 0.000 0.648 0.120
#> 28005 4 0.4319 0.6086 0.000 0.096 0.024 0.800 0.080
#> 28006 4 0.6164 0.1125 0.000 0.080 0.024 0.540 0.356
#> 28007 4 0.4479 0.6207 0.000 0.124 0.016 0.780 0.080
#> 28019 1 0.5206 0.7010 0.728 0.060 0.004 0.032 0.176
#> 28021 1 0.5206 0.7010 0.728 0.060 0.004 0.032 0.176
#> 28023 4 0.4444 0.6027 0.000 0.180 0.000 0.748 0.072
#> 28024 4 0.4238 0.6196 0.000 0.104 0.016 0.800 0.080
#> 28028 4 0.3898 0.5763 0.000 0.076 0.004 0.812 0.108
#> 28031 4 0.4819 0.5886 0.000 0.192 0.000 0.716 0.092
#> 28032 4 0.3898 0.5763 0.000 0.076 0.004 0.812 0.108
#> 28035 1 0.5206 0.7010 0.728 0.060 0.004 0.032 0.176
#> 28036 4 0.2807 0.5886 0.000 0.056 0.020 0.892 0.032
#> 28037 1 0.5206 0.7010 0.728 0.060 0.004 0.032 0.176
#> 28042 4 0.6265 0.4201 0.000 0.192 0.008 0.576 0.224
#> 28043 4 0.6070 0.4944 0.000 0.092 0.196 0.656 0.056
#> 28044 4 0.5869 0.5412 0.004 0.216 0.008 0.640 0.132
#> 28047 4 0.3805 0.6161 0.000 0.184 0.000 0.784 0.032
#> 30001 1 0.5206 0.7010 0.728 0.060 0.004 0.032 0.176
#> 31007 4 0.6805 0.2648 0.004 0.144 0.020 0.492 0.340
#> 31011 4 0.6360 0.5433 0.000 0.220 0.108 0.620 0.052
#> 33005 1 0.0404 0.7981 0.988 0.000 0.000 0.000 0.012
#> 36001 1 0.4339 0.7396 0.804 0.064 0.004 0.024 0.104
#> 36002 3 0.6595 0.3224 0.000 0.048 0.476 0.400 0.076
#> 37013 3 0.9133 -0.0834 0.044 0.160 0.340 0.248 0.208
#> 43001 3 0.7967 0.3326 0.040 0.092 0.520 0.124 0.224
#> 43004 4 0.7101 0.0815 0.004 0.148 0.036 0.480 0.332
#> 43007 3 0.6421 0.4152 0.000 0.048 0.528 0.356 0.068
#> 43012 4 0.4819 0.5886 0.000 0.192 0.000 0.716 0.092
#> 48001 1 0.4105 0.7477 0.820 0.056 0.004 0.024 0.096
#> 49006 3 0.1469 0.6637 0.000 0.000 0.948 0.016 0.036
#> 57001 4 0.6506 0.4433 0.004 0.372 0.008 0.484 0.132
#> 62001 4 0.7353 0.4275 0.044 0.240 0.024 0.544 0.148
#> 62002 4 0.7768 0.2344 0.000 0.160 0.164 0.492 0.184
#> 62003 5 0.8645 0.7764 0.164 0.176 0.064 0.124 0.472
#> 63001 3 0.6381 0.5187 0.000 0.028 0.572 0.284 0.116
#> 64001 3 0.1907 0.6619 0.000 0.000 0.928 0.028 0.044
#> 64002 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.1907 0.6619 0.000 0.000 0.928 0.028 0.044
#> 68001 1 0.0000 0.7982 1.000 0.000 0.000 0.000 0.000
#> 68003 3 0.5516 0.5994 0.000 0.012 0.656 0.244 0.088
#> 84004 4 0.6587 -0.1423 0.000 0.036 0.400 0.472 0.092
#> LAL5 4 0.5519 0.5809 0.000 0.220 0.032 0.680 0.068
#> 01003 2 0.2850 0.7010 0.000 0.872 0.000 0.092 0.036
#> 01007 2 0.1872 0.6790 0.000 0.928 0.000 0.052 0.020
#> 02020 2 0.3730 0.5510 0.000 0.808 0.004 0.036 0.152
#> 04018 2 0.1943 0.6766 0.000 0.924 0.000 0.056 0.020
#> 09002 2 0.6263 0.6747 0.000 0.620 0.028 0.176 0.176
#> 10005 3 0.8020 -0.0287 0.000 0.328 0.372 0.192 0.108
#> 11002 2 0.5475 0.6551 0.000 0.644 0.000 0.232 0.124
#> 12008 2 0.5657 0.6998 0.000 0.684 0.024 0.156 0.136
#> 15006 1 0.0451 0.7953 0.988 0.008 0.000 0.000 0.004
#> 16002 2 0.5099 0.7136 0.000 0.736 0.024 0.140 0.100
#> 16007 2 0.6088 0.6824 0.000 0.636 0.024 0.168 0.172
#> 17003 2 0.3925 0.5229 0.004 0.792 0.004 0.028 0.172
#> 18001 2 0.5355 0.6657 0.000 0.660 0.000 0.220 0.120
#> 19002 2 0.1943 0.6766 0.000 0.924 0.000 0.056 0.020
#> 19008 2 0.6616 0.5918 0.000 0.512 0.012 0.296 0.180
#> 19014 2 0.3764 0.5547 0.000 0.808 0.004 0.040 0.148
#> 19017 2 0.5985 0.6891 0.000 0.648 0.024 0.156 0.172
#> 20005 2 0.6367 0.5996 0.000 0.524 0.004 0.300 0.172
#> 24006 2 0.2124 0.7018 0.000 0.916 0.000 0.056 0.028
#> 26009 1 0.0451 0.7953 0.988 0.008 0.000 0.000 0.004
#> 28008 2 0.5475 0.6551 0.000 0.644 0.000 0.232 0.124
#> 28009 2 0.1943 0.6766 0.000 0.924 0.000 0.056 0.020
#> 31015 2 0.5475 0.6551 0.000 0.644 0.000 0.232 0.124
#> 37001 2 0.1943 0.6766 0.000 0.924 0.000 0.056 0.020
#> 43006 2 0.6616 0.5918 0.000 0.512 0.012 0.296 0.180
#> 43015 2 0.5657 0.6998 0.000 0.684 0.024 0.156 0.136
#> 44001 2 0.2850 0.7010 0.000 0.872 0.000 0.092 0.036
#> 49004 2 0.6293 0.6720 0.000 0.616 0.028 0.184 0.172
#> 56007 2 0.6616 0.5918 0.000 0.512 0.012 0.296 0.180
#> 64005 2 0.5657 0.6998 0.000 0.684 0.024 0.156 0.136
#> 65003 2 0.2928 0.6618 0.000 0.872 0.000 0.064 0.064
#> 83001 2 0.2331 0.6733 0.000 0.908 0.004 0.064 0.024
#> LAL4 2 0.3764 0.5547 0.000 0.808 0.004 0.040 0.148
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3563 0.60035 0.000 0.000 0.664 0.000 0.336 0.000
#> 01010 1 0.0260 0.82915 0.992 0.000 0.000 0.000 0.000 0.008
#> 03002 5 0.6411 0.21604 0.000 0.012 0.248 0.148 0.548 0.044
#> 04006 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 04007 5 0.7053 0.33905 0.000 0.016 0.124 0.324 0.448 0.088
#> 04008 1 0.4326 0.24831 0.496 0.000 0.488 0.000 0.008 0.008
#> 04010 1 0.0363 0.82910 0.988 0.000 0.000 0.000 0.000 0.012
#> 04016 5 0.7113 0.41086 0.000 0.024 0.156 0.300 0.456 0.064
#> 06002 3 0.0964 0.59195 0.016 0.000 0.968 0.000 0.012 0.004
#> 08001 4 0.7220 -0.20683 0.000 0.040 0.120 0.396 0.380 0.064
#> 08011 3 0.3563 0.60035 0.000 0.000 0.664 0.000 0.336 0.000
#> 08012 5 0.7246 0.27786 0.000 0.012 0.308 0.208 0.400 0.072
#> 08018 3 0.4634 0.59476 0.000 0.004 0.712 0.064 0.204 0.016
#> 08024 3 0.4560 0.56101 0.004 0.004 0.712 0.056 0.216 0.008
#> 09008 1 0.6564 0.69499 0.648 0.072 0.016 0.104 0.084 0.076
#> 09017 5 0.6507 0.16402 0.000 0.032 0.232 0.100 0.576 0.060
#> 11005 5 0.5595 -0.00797 0.000 0.000 0.328 0.080 0.560 0.032
#> 12006 5 0.7090 0.13375 0.000 0.048 0.368 0.128 0.416 0.040
#> 12007 3 0.3563 0.60035 0.000 0.000 0.664 0.000 0.336 0.000
#> 12012 3 0.2538 0.55819 0.020 0.000 0.888 0.004 0.076 0.012
#> 12019 3 0.6302 0.10212 0.000 0.012 0.508 0.132 0.320 0.028
#> 12026 3 0.2711 0.52380 0.024 0.000 0.876 0.000 0.080 0.020
#> 14016 3 0.2677 0.52281 0.024 0.000 0.876 0.000 0.084 0.016
#> 15001 3 0.3411 0.64268 0.008 0.000 0.756 0.004 0.232 0.000
#> 15004 4 0.7586 0.46103 0.004 0.124 0.036 0.488 0.176 0.172
#> 15005 1 0.6564 0.69499 0.648 0.072 0.016 0.104 0.084 0.076
#> 16004 1 0.6254 0.59057 0.656 0.080 0.032 0.016 0.148 0.068
#> 16009 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 19005 1 0.6254 0.59057 0.656 0.080 0.032 0.016 0.148 0.068
#> 20002 1 0.4284 0.36599 0.544 0.000 0.440 0.000 0.004 0.012
#> 22009 3 0.6583 0.17629 0.008 0.056 0.472 0.040 0.384 0.040
#> 22010 4 0.7812 0.42216 0.000 0.312 0.028 0.360 0.140 0.160
#> 22011 5 0.7444 0.36347 0.000 0.020 0.260 0.256 0.392 0.072
#> 22013 3 0.3718 0.44972 0.024 0.000 0.812 0.008 0.124 0.032
#> 24001 5 0.7325 0.38274 0.000 0.020 0.240 0.280 0.400 0.060
#> 24005 4 0.6076 0.52168 0.000 0.076 0.004 0.616 0.160 0.144
#> 24008 3 0.3411 0.64268 0.008 0.000 0.756 0.004 0.232 0.000
#> 24010 5 0.7141 0.13631 0.000 0.048 0.368 0.128 0.412 0.044
#> 24011 3 0.3608 0.64018 0.000 0.000 0.736 0.004 0.248 0.012
#> 24017 1 0.2604 0.76923 0.856 0.000 0.132 0.004 0.004 0.004
#> 24018 5 0.9719 0.05481 0.156 0.148 0.140 0.140 0.292 0.124
#> 24019 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 24022 4 0.5537 0.53133 0.000 0.012 0.016 0.644 0.140 0.188
#> 25003 5 0.6580 0.13012 0.000 0.012 0.392 0.172 0.400 0.024
#> 25006 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 26001 3 0.0964 0.59195 0.016 0.000 0.968 0.000 0.012 0.004
#> 26003 4 0.5502 0.53559 0.000 0.012 0.020 0.656 0.140 0.172
#> 26005 3 0.2793 0.64961 0.000 0.000 0.800 0.000 0.200 0.000
#> 26008 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 27003 5 0.8625 -0.02495 0.000 0.184 0.132 0.212 0.336 0.136
#> 27004 4 0.2686 0.64493 0.000 0.100 0.000 0.868 0.024 0.008
#> 28001 5 0.8578 -0.00331 0.000 0.152 0.140 0.212 0.352 0.144
#> 28003 4 0.4777 0.62345 0.004 0.176 0.004 0.728 0.044 0.044
#> 28005 4 0.4177 0.61708 0.000 0.048 0.012 0.792 0.112 0.036
#> 28006 4 0.6914 0.44255 0.000 0.072 0.064 0.572 0.180 0.112
#> 28007 4 0.4357 0.60787 0.000 0.040 0.004 0.776 0.084 0.096
#> 28019 1 0.5637 0.76036 0.704 0.064 0.000 0.060 0.068 0.104
#> 28021 1 0.5637 0.76036 0.704 0.064 0.000 0.060 0.068 0.104
#> 28023 4 0.2925 0.64058 0.000 0.104 0.000 0.856 0.016 0.024
#> 28024 4 0.4338 0.60114 0.000 0.028 0.004 0.772 0.096 0.100
#> 28028 4 0.4756 0.54119 0.000 0.004 0.000 0.636 0.068 0.292
#> 28031 4 0.3435 0.63921 0.000 0.128 0.000 0.820 0.028 0.024
#> 28032 4 0.4756 0.54119 0.000 0.004 0.000 0.636 0.068 0.292
#> 28035 1 0.5637 0.76036 0.704 0.064 0.000 0.060 0.068 0.104
#> 28036 4 0.4776 0.56911 0.000 0.012 0.004 0.708 0.100 0.176
#> 28037 1 0.5637 0.76036 0.704 0.064 0.000 0.060 0.068 0.104
#> 28042 4 0.6404 0.55507 0.000 0.208 0.020 0.592 0.100 0.080
#> 28043 4 0.6379 0.32213 0.000 0.048 0.068 0.596 0.228 0.060
#> 28044 4 0.5088 0.61651 0.004 0.128 0.020 0.736 0.060 0.052
#> 28047 4 0.2501 0.64514 0.000 0.108 0.000 0.872 0.016 0.004
#> 30001 1 0.5637 0.76036 0.704 0.064 0.000 0.060 0.068 0.104
#> 31007 4 0.7586 0.46103 0.004 0.124 0.036 0.488 0.176 0.172
#> 31011 4 0.6617 0.52377 0.000 0.168 0.048 0.576 0.172 0.036
#> 33005 1 0.0363 0.82910 0.988 0.000 0.000 0.000 0.000 0.012
#> 36001 1 0.4438 0.79124 0.792 0.068 0.000 0.044 0.040 0.056
#> 36002 5 0.6828 0.41376 0.000 0.020 0.160 0.300 0.476 0.044
#> 37013 5 0.8928 0.28380 0.044 0.104 0.216 0.220 0.340 0.076
#> 43001 5 0.7820 0.12306 0.040 0.060 0.356 0.108 0.396 0.040
#> 43004 4 0.7565 0.44083 0.004 0.120 0.076 0.516 0.184 0.100
#> 43007 5 0.7138 0.35448 0.000 0.020 0.252 0.264 0.420 0.044
#> 43012 4 0.3435 0.63921 0.000 0.128 0.000 0.820 0.028 0.024
#> 48001 1 0.4315 0.79430 0.800 0.060 0.000 0.044 0.036 0.060
#> 49006 3 0.3789 0.52242 0.000 0.000 0.584 0.000 0.416 0.000
#> 57001 4 0.6812 0.48261 0.000 0.340 0.016 0.460 0.064 0.120
#> 62001 4 0.6867 0.54290 0.044 0.160 0.024 0.608 0.096 0.068
#> 62002 4 0.7744 0.25840 0.000 0.112 0.100 0.448 0.260 0.080
#> 62003 5 0.9719 0.05481 0.156 0.148 0.140 0.140 0.292 0.124
#> 63001 5 0.7131 0.08300 0.000 0.000 0.316 0.104 0.396 0.184
#> 64001 3 0.3961 0.49620 0.000 0.000 0.556 0.000 0.440 0.004
#> 64002 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 65005 3 0.3961 0.49620 0.000 0.000 0.556 0.000 0.440 0.004
#> 68001 1 0.0291 0.82855 0.992 0.000 0.000 0.000 0.004 0.004
#> 68003 5 0.6414 0.16014 0.000 0.004 0.352 0.148 0.460 0.036
#> 84004 5 0.7053 0.33905 0.000 0.016 0.124 0.324 0.448 0.088
#> LAL5 4 0.5648 0.60248 0.000 0.184 0.012 0.660 0.092 0.052
#> 01003 2 0.2951 0.57725 0.000 0.856 0.000 0.044 0.008 0.092
#> 01007 2 0.1121 0.63581 0.000 0.964 0.004 0.016 0.008 0.008
#> 02020 2 0.2781 0.58007 0.000 0.876 0.004 0.008 0.064 0.048
#> 04018 2 0.0862 0.63701 0.000 0.972 0.004 0.016 0.008 0.000
#> 09002 6 0.4561 0.65460 0.000 0.392 0.000 0.016 0.016 0.576
#> 10005 6 0.8031 0.10867 0.000 0.204 0.172 0.024 0.296 0.304
#> 11002 2 0.5683 -0.04020 0.000 0.508 0.000 0.184 0.000 0.308
#> 12008 2 0.4638 -0.39950 0.000 0.520 0.000 0.020 0.012 0.448
#> 15006 1 0.0779 0.82635 0.976 0.008 0.000 0.000 0.008 0.008
#> 16002 2 0.4474 -0.05619 0.000 0.608 0.000 0.020 0.012 0.360
#> 16007 6 0.4427 0.63545 0.000 0.408 0.000 0.012 0.012 0.568
#> 17003 2 0.3209 0.56067 0.004 0.852 0.004 0.008 0.080 0.052
#> 18001 2 0.5556 -0.10931 0.000 0.512 0.000 0.152 0.000 0.336
#> 19002 2 0.0862 0.63701 0.000 0.972 0.004 0.016 0.008 0.000
#> 19008 6 0.4703 0.69983 0.000 0.280 0.000 0.060 0.008 0.652
#> 19014 2 0.2722 0.58291 0.000 0.880 0.004 0.008 0.060 0.048
#> 19017 6 0.4606 0.59898 0.000 0.420 0.000 0.020 0.012 0.548
#> 20005 6 0.5152 0.62359 0.000 0.348 0.000 0.076 0.008 0.568
#> 24006 2 0.2350 0.59023 0.000 0.896 0.004 0.016 0.008 0.076
#> 26009 1 0.0779 0.82635 0.976 0.008 0.000 0.000 0.008 0.008
#> 28008 2 0.5683 -0.04020 0.000 0.508 0.000 0.184 0.000 0.308
#> 28009 2 0.0951 0.63629 0.000 0.968 0.004 0.020 0.008 0.000
#> 31015 2 0.5683 -0.04020 0.000 0.508 0.000 0.184 0.000 0.308
#> 37001 2 0.0862 0.63701 0.000 0.972 0.004 0.016 0.008 0.000
#> 43006 6 0.4703 0.69983 0.000 0.280 0.000 0.060 0.008 0.652
#> 43015 2 0.4642 -0.41046 0.000 0.516 0.000 0.020 0.012 0.452
#> 44001 2 0.2900 0.58093 0.000 0.860 0.000 0.044 0.008 0.088
#> 49004 6 0.4469 0.66396 0.000 0.388 0.000 0.012 0.016 0.584
#> 56007 6 0.4703 0.69983 0.000 0.280 0.000 0.060 0.008 0.652
#> 64005 2 0.4638 -0.39950 0.000 0.520 0.000 0.020 0.012 0.448
#> 65003 2 0.1755 0.62744 0.000 0.932 0.000 0.032 0.028 0.008
#> 83001 2 0.1457 0.63070 0.000 0.948 0.004 0.028 0.016 0.004
#> LAL4 2 0.2722 0.58291 0.000 0.880 0.004 0.008 0.060 0.048
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:hclust 124 0.350 0.991 2.88e-01 2
#> MAD:hclust 109 0.446 0.958 3.01e-07 3
#> MAD:hclust 73 0.545 0.210 1.20e-08 4
#> MAD:hclust 98 0.515 0.927 2.85e-12 5
#> MAD:hclust 81 0.770 0.777 9.34e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "kmeans"]
# you can also extract it by
# res = res_list["MAD:kmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.358 0.822 0.864 0.4173 0.614 0.614
#> 3 3 0.706 0.825 0.879 0.5154 0.689 0.516
#> 4 4 0.838 0.909 0.923 0.1774 0.848 0.602
#> 5 5 0.770 0.703 0.829 0.0601 0.981 0.924
#> 6 6 0.744 0.538 0.726 0.0429 0.972 0.882
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.8207 0.627 0.256 0.744
#> 01010 1 0.4815 0.947 0.896 0.104
#> 03002 2 0.2423 0.846 0.040 0.960
#> 04006 1 0.4815 0.947 0.896 0.104
#> 04007 2 0.2043 0.849 0.032 0.968
#> 04008 1 0.6247 0.913 0.844 0.156
#> 04010 1 0.4815 0.947 0.896 0.104
#> 04016 2 0.2423 0.846 0.040 0.960
#> 06002 2 0.8713 0.564 0.292 0.708
#> 08001 2 0.1633 0.851 0.024 0.976
#> 08011 2 0.8207 0.627 0.256 0.744
#> 08012 2 0.2043 0.849 0.032 0.968
#> 08018 2 0.4562 0.810 0.096 0.904
#> 08024 2 0.8443 0.600 0.272 0.728
#> 09008 1 0.5294 0.940 0.880 0.120
#> 09017 2 0.2236 0.850 0.036 0.964
#> 11005 2 0.1843 0.850 0.028 0.972
#> 12006 2 0.8207 0.627 0.256 0.744
#> 12007 2 0.8207 0.627 0.256 0.744
#> 12012 2 0.8267 0.621 0.260 0.740
#> 12019 2 0.8207 0.627 0.256 0.744
#> 12026 1 0.8443 0.798 0.728 0.272
#> 14016 1 0.8555 0.787 0.720 0.280
#> 15001 2 0.8499 0.593 0.276 0.724
#> 15004 2 0.2043 0.855 0.032 0.968
#> 15005 1 0.5629 0.933 0.868 0.132
#> 16004 1 0.4815 0.947 0.896 0.104
#> 16009 1 0.4815 0.947 0.896 0.104
#> 19005 1 0.4815 0.947 0.896 0.104
#> 20002 1 0.6247 0.913 0.844 0.156
#> 22009 2 0.8386 0.607 0.268 0.732
#> 22010 2 0.4161 0.846 0.084 0.916
#> 22011 2 0.2423 0.846 0.040 0.960
#> 22013 2 0.8813 0.543 0.300 0.700
#> 24001 2 0.2423 0.846 0.040 0.960
#> 24005 2 0.0376 0.856 0.004 0.996
#> 24008 2 0.7299 0.699 0.204 0.796
#> 24010 2 0.4690 0.807 0.100 0.900
#> 24011 2 0.8499 0.593 0.276 0.724
#> 24017 1 0.5519 0.934 0.872 0.128
#> 24018 1 0.5294 0.940 0.880 0.120
#> 24019 1 0.4815 0.947 0.896 0.104
#> 24022 2 0.0376 0.856 0.004 0.996
#> 25003 2 0.6247 0.754 0.156 0.844
#> 25006 1 0.4815 0.947 0.896 0.104
#> 26001 1 0.8555 0.786 0.720 0.280
#> 26003 2 0.0376 0.856 0.004 0.996
#> 26005 2 0.8499 0.593 0.276 0.724
#> 26008 1 0.4815 0.947 0.896 0.104
#> 27003 2 0.1633 0.856 0.024 0.976
#> 27004 2 0.0376 0.856 0.004 0.996
#> 28001 2 0.8713 0.616 0.292 0.708
#> 28003 2 0.3584 0.847 0.068 0.932
#> 28005 2 0.0376 0.856 0.004 0.996
#> 28006 2 0.0376 0.856 0.004 0.996
#> 28007 2 0.0376 0.856 0.004 0.996
#> 28019 1 0.4815 0.947 0.896 0.104
#> 28021 1 0.5408 0.937 0.876 0.124
#> 28023 2 0.2423 0.854 0.040 0.960
#> 28024 2 0.0376 0.856 0.004 0.996
#> 28028 2 0.0000 0.856 0.000 1.000
#> 28031 2 0.3879 0.847 0.076 0.924
#> 28032 2 0.1414 0.856 0.020 0.980
#> 28035 1 0.4815 0.947 0.896 0.104
#> 28036 2 0.0376 0.856 0.004 0.996
#> 28037 1 0.4815 0.947 0.896 0.104
#> 28042 2 0.2043 0.857 0.032 0.968
#> 28043 2 0.0376 0.856 0.004 0.996
#> 28044 2 0.2423 0.854 0.040 0.960
#> 28047 2 0.0938 0.857 0.012 0.988
#> 30001 1 0.4815 0.947 0.896 0.104
#> 31007 2 0.3431 0.849 0.064 0.936
#> 31011 2 0.1184 0.855 0.016 0.984
#> 33005 1 0.4815 0.947 0.896 0.104
#> 36001 1 0.4815 0.947 0.896 0.104
#> 36002 2 0.2423 0.846 0.040 0.960
#> 37013 2 0.8207 0.627 0.256 0.744
#> 43001 1 0.8499 0.794 0.724 0.276
#> 43004 2 0.8713 0.612 0.292 0.708
#> 43007 2 0.2043 0.849 0.032 0.968
#> 43012 2 0.3274 0.850 0.060 0.940
#> 48001 1 0.4815 0.947 0.896 0.104
#> 49006 2 0.7745 0.668 0.228 0.772
#> 57001 2 0.3431 0.849 0.064 0.936
#> 62001 2 0.2423 0.854 0.040 0.960
#> 62002 2 0.1414 0.854 0.020 0.980
#> 62003 1 0.7883 0.823 0.764 0.236
#> 63001 2 0.2236 0.847 0.036 0.964
#> 64001 2 0.8207 0.627 0.256 0.744
#> 64002 1 0.4815 0.947 0.896 0.104
#> 65005 2 0.4431 0.813 0.092 0.908
#> 68001 1 0.4815 0.947 0.896 0.104
#> 68003 2 0.2423 0.846 0.040 0.960
#> 84004 2 0.0000 0.856 0.000 1.000
#> LAL5 2 0.0376 0.856 0.004 0.996
#> 01003 2 0.6247 0.821 0.156 0.844
#> 01007 2 0.6801 0.812 0.180 0.820
#> 02020 2 0.6801 0.812 0.180 0.820
#> 04018 2 0.6623 0.815 0.172 0.828
#> 09002 2 0.5629 0.824 0.132 0.868
#> 10005 2 0.4939 0.827 0.108 0.892
#> 11002 2 0.5737 0.824 0.136 0.864
#> 12008 2 0.6048 0.822 0.148 0.852
#> 15006 1 0.0938 0.829 0.988 0.012
#> 16002 2 0.6247 0.821 0.156 0.844
#> 16007 2 0.6247 0.821 0.156 0.844
#> 17003 1 0.4022 0.795 0.920 0.080
#> 18001 2 0.6247 0.821 0.156 0.844
#> 19002 2 0.6801 0.812 0.180 0.820
#> 19008 2 0.6247 0.821 0.156 0.844
#> 19014 2 0.6801 0.812 0.180 0.820
#> 19017 2 0.5629 0.824 0.132 0.868
#> 20005 2 0.6247 0.821 0.156 0.844
#> 24006 2 0.6801 0.812 0.180 0.820
#> 26009 1 0.0000 0.839 1.000 0.000
#> 28008 2 0.6247 0.821 0.156 0.844
#> 28009 2 0.6801 0.812 0.180 0.820
#> 31015 2 0.6247 0.821 0.156 0.844
#> 37001 2 0.6801 0.812 0.180 0.820
#> 43006 2 0.5629 0.824 0.132 0.868
#> 43015 2 0.6247 0.821 0.156 0.844
#> 44001 2 0.6623 0.815 0.172 0.828
#> 49004 2 0.5629 0.824 0.132 0.868
#> 56007 2 0.6247 0.821 0.156 0.844
#> 64005 2 0.6801 0.812 0.180 0.820
#> 65003 2 0.6623 0.815 0.172 0.828
#> 83001 2 0.6801 0.812 0.180 0.820
#> LAL4 2 0.6623 0.815 0.172 0.828
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0592 0.9655 0.012 0.000 0.988
#> 01010 1 0.1529 0.9635 0.960 0.000 0.040
#> 03002 3 0.0892 0.9445 0.020 0.000 0.980
#> 04006 1 0.1753 0.9620 0.952 0.000 0.048
#> 04007 3 0.1031 0.9414 0.024 0.000 0.976
#> 04008 1 0.4291 0.8328 0.820 0.000 0.180
#> 04010 1 0.1289 0.9631 0.968 0.000 0.032
#> 04016 3 0.0592 0.9655 0.012 0.000 0.988
#> 06002 3 0.0747 0.9631 0.016 0.000 0.984
#> 08001 3 0.1411 0.9309 0.036 0.000 0.964
#> 08011 3 0.0592 0.9655 0.012 0.000 0.988
#> 08012 3 0.0592 0.9655 0.012 0.000 0.988
#> 08018 3 0.0592 0.9655 0.012 0.000 0.988
#> 08024 3 0.0592 0.9655 0.012 0.000 0.988
#> 09008 1 0.0237 0.9486 0.996 0.000 0.004
#> 09017 3 0.2918 0.8985 0.044 0.032 0.924
#> 11005 3 0.1411 0.9309 0.036 0.000 0.964
#> 12006 3 0.1182 0.9585 0.012 0.012 0.976
#> 12007 3 0.0592 0.9655 0.012 0.000 0.988
#> 12012 3 0.0592 0.9655 0.012 0.000 0.988
#> 12019 3 0.0592 0.9655 0.012 0.000 0.988
#> 12026 3 0.3031 0.8983 0.076 0.012 0.912
#> 14016 3 0.2229 0.9337 0.044 0.012 0.944
#> 15001 3 0.0592 0.9655 0.012 0.000 0.988
#> 15004 2 0.7138 0.7034 0.044 0.644 0.312
#> 15005 1 0.3845 0.8796 0.872 0.012 0.116
#> 16004 1 0.1999 0.9617 0.952 0.012 0.036
#> 16009 1 0.1753 0.9620 0.952 0.000 0.048
#> 19005 1 0.2339 0.9593 0.940 0.012 0.048
#> 20002 1 0.3941 0.8630 0.844 0.000 0.156
#> 22009 3 0.1182 0.9585 0.012 0.012 0.976
#> 22010 2 0.4859 0.7480 0.044 0.840 0.116
#> 22011 3 0.0592 0.9655 0.012 0.000 0.988
#> 22013 3 0.1182 0.9585 0.012 0.012 0.976
#> 24001 3 0.0592 0.9655 0.012 0.000 0.988
#> 24005 2 0.7368 0.6821 0.044 0.604 0.352
#> 24008 3 0.0592 0.9655 0.012 0.000 0.988
#> 24010 3 0.0592 0.9655 0.012 0.000 0.988
#> 24011 3 0.0592 0.9655 0.012 0.000 0.988
#> 24017 1 0.1753 0.9620 0.952 0.000 0.048
#> 24018 1 0.1877 0.9613 0.956 0.012 0.032
#> 24019 1 0.1753 0.9620 0.952 0.000 0.048
#> 24022 2 0.7368 0.6821 0.044 0.604 0.352
#> 25003 3 0.0592 0.9655 0.012 0.000 0.988
#> 25006 1 0.1529 0.9635 0.960 0.000 0.040
#> 26001 3 0.3031 0.8983 0.076 0.012 0.912
#> 26003 2 0.7368 0.6821 0.044 0.604 0.352
#> 26005 3 0.0592 0.9655 0.012 0.000 0.988
#> 26008 1 0.1753 0.9620 0.952 0.000 0.048
#> 27003 2 0.7164 0.7014 0.044 0.640 0.316
#> 27004 2 0.7368 0.6821 0.044 0.604 0.352
#> 28001 2 0.7234 0.7023 0.048 0.640 0.312
#> 28003 2 0.7034 0.7124 0.048 0.668 0.284
#> 28005 2 0.7368 0.6821 0.044 0.604 0.352
#> 28006 2 0.7368 0.6821 0.044 0.604 0.352
#> 28007 2 0.7368 0.6821 0.044 0.604 0.352
#> 28019 1 0.0424 0.9458 0.992 0.000 0.008
#> 28021 1 0.0747 0.9394 0.984 0.000 0.016
#> 28023 2 0.7442 0.6837 0.048 0.604 0.348
#> 28024 2 0.7368 0.6821 0.044 0.604 0.352
#> 28028 2 0.7368 0.6821 0.044 0.604 0.352
#> 28031 2 0.7379 0.6860 0.048 0.616 0.336
#> 28032 2 0.7214 0.7015 0.044 0.632 0.324
#> 28035 1 0.0747 0.9394 0.984 0.000 0.016
#> 28036 2 0.7368 0.6821 0.044 0.604 0.352
#> 28037 1 0.0747 0.9394 0.984 0.000 0.016
#> 28042 2 0.7112 0.7085 0.044 0.648 0.308
#> 28043 2 0.7368 0.6821 0.044 0.604 0.352
#> 28044 2 0.7379 0.6860 0.048 0.616 0.336
#> 28047 2 0.7368 0.6821 0.044 0.604 0.352
#> 30001 1 0.1289 0.9631 0.968 0.000 0.032
#> 31007 2 0.7208 0.7041 0.048 0.644 0.308
#> 31011 2 0.7368 0.6821 0.044 0.604 0.352
#> 33005 1 0.1289 0.9631 0.968 0.000 0.032
#> 36001 1 0.1411 0.9636 0.964 0.000 0.036
#> 36002 3 0.1411 0.9309 0.036 0.000 0.964
#> 37013 3 0.1182 0.9585 0.012 0.012 0.976
#> 43001 3 0.1999 0.9412 0.036 0.012 0.952
#> 43004 2 0.7807 0.6713 0.068 0.596 0.336
#> 43007 3 0.1031 0.9414 0.024 0.000 0.976
#> 43012 2 0.7095 0.7101 0.048 0.660 0.292
#> 48001 1 0.1877 0.9613 0.956 0.012 0.032
#> 49006 3 0.0592 0.9655 0.012 0.000 0.988
#> 57001 2 0.7334 0.6987 0.048 0.624 0.328
#> 62001 2 0.7379 0.6860 0.048 0.616 0.336
#> 62002 2 0.7306 0.6842 0.044 0.616 0.340
#> 62003 3 0.2339 0.9306 0.048 0.012 0.940
#> 63001 3 0.0592 0.9655 0.012 0.000 0.988
#> 64001 3 0.0592 0.9655 0.012 0.000 0.988
#> 64002 1 0.1753 0.9620 0.952 0.000 0.048
#> 65005 3 0.0592 0.9655 0.012 0.000 0.988
#> 68001 1 0.1753 0.9620 0.952 0.000 0.048
#> 68003 3 0.1031 0.9414 0.024 0.000 0.976
#> 84004 3 0.1411 0.9309 0.036 0.000 0.964
#> LAL5 2 0.7306 0.6918 0.044 0.616 0.340
#> 01003 2 0.0000 0.7567 0.000 1.000 0.000
#> 01007 2 0.0000 0.7567 0.000 1.000 0.000
#> 02020 2 0.0237 0.7566 0.004 0.996 0.000
#> 04018 2 0.0000 0.7567 0.000 1.000 0.000
#> 09002 2 0.0892 0.7563 0.000 0.980 0.020
#> 10005 3 0.6169 0.4292 0.004 0.360 0.636
#> 11002 2 0.0829 0.7587 0.004 0.984 0.012
#> 12008 2 0.6286 -0.0692 0.000 0.536 0.464
#> 15006 1 0.2165 0.9237 0.936 0.064 0.000
#> 16002 2 0.0592 0.7587 0.000 0.988 0.012
#> 16007 2 0.0592 0.7587 0.000 0.988 0.012
#> 17003 2 0.6305 -0.2249 0.484 0.516 0.000
#> 18001 2 0.0829 0.7587 0.004 0.984 0.012
#> 19002 2 0.0000 0.7567 0.000 1.000 0.000
#> 19008 2 0.0592 0.7587 0.000 0.988 0.012
#> 19014 2 0.0237 0.7566 0.004 0.996 0.000
#> 19017 2 0.0829 0.7587 0.004 0.984 0.012
#> 20005 2 0.0829 0.7587 0.004 0.984 0.012
#> 24006 2 0.0000 0.7567 0.000 1.000 0.000
#> 26009 1 0.2165 0.9237 0.936 0.064 0.000
#> 28008 2 0.0829 0.7587 0.004 0.984 0.012
#> 28009 2 0.0000 0.7567 0.000 1.000 0.000
#> 31015 2 0.0237 0.7566 0.004 0.996 0.000
#> 37001 2 0.0000 0.7567 0.000 1.000 0.000
#> 43006 2 0.0592 0.7587 0.000 0.988 0.012
#> 43015 2 0.0829 0.7587 0.004 0.984 0.012
#> 44001 2 0.0000 0.7567 0.000 1.000 0.000
#> 49004 2 0.0592 0.7587 0.000 0.988 0.012
#> 56007 2 0.0592 0.7587 0.000 0.988 0.012
#> 64005 2 0.0000 0.7567 0.000 1.000 0.000
#> 65003 2 0.0000 0.7567 0.000 1.000 0.000
#> 83001 2 0.0237 0.7566 0.004 0.996 0.000
#> LAL4 2 0.0237 0.7566 0.004 0.996 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 01010 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 03002 3 0.0469 0.9642 0.000 0.000 0.988 0.012
#> 04006 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 04007 3 0.1022 0.9529 0.000 0.000 0.968 0.032
#> 04008 3 0.4985 0.1097 0.468 0.000 0.532 0.000
#> 04010 1 0.0564 0.9477 0.988 0.004 0.004 0.004
#> 04016 3 0.0921 0.9558 0.000 0.000 0.972 0.028
#> 06002 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 08001 4 0.3444 0.8127 0.000 0.000 0.184 0.816
#> 08011 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 08012 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 08018 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 09008 1 0.0524 0.9471 0.988 0.004 0.000 0.008
#> 09017 4 0.5119 0.8329 0.000 0.124 0.112 0.764
#> 11005 3 0.3219 0.7854 0.000 0.000 0.836 0.164
#> 12006 3 0.1406 0.9523 0.000 0.016 0.960 0.024
#> 12007 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 12026 3 0.1762 0.9419 0.012 0.020 0.952 0.016
#> 14016 3 0.1406 0.9468 0.000 0.024 0.960 0.016
#> 15001 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 15004 4 0.2685 0.9252 0.004 0.044 0.040 0.912
#> 15005 1 0.3791 0.8608 0.848 0.120 0.012 0.020
#> 16004 1 0.3232 0.8767 0.872 0.108 0.004 0.016
#> 16009 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 19005 1 0.3464 0.8638 0.856 0.124 0.004 0.016
#> 20002 1 0.4985 0.0796 0.532 0.000 0.468 0.000
#> 22009 3 0.1406 0.9468 0.000 0.024 0.960 0.016
#> 22010 4 0.3855 0.8617 0.004 0.164 0.012 0.820
#> 22011 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 22013 3 0.0376 0.9638 0.000 0.004 0.992 0.004
#> 24001 3 0.0707 0.9610 0.000 0.000 0.980 0.020
#> 24005 4 0.1975 0.9242 0.000 0.016 0.048 0.936
#> 24008 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 24010 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 24011 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 24017 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 24018 1 0.3630 0.8594 0.848 0.128 0.004 0.020
#> 24019 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 24022 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 25003 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 25006 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 26001 3 0.0712 0.9594 0.008 0.004 0.984 0.004
#> 26003 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 26005 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 26008 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 27003 4 0.4174 0.8807 0.000 0.140 0.044 0.816
#> 27004 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28001 4 0.4661 0.8715 0.008 0.140 0.052 0.800
#> 28003 4 0.4138 0.8841 0.008 0.148 0.024 0.820
#> 28005 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28006 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28007 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28019 1 0.0524 0.9471 0.988 0.004 0.000 0.008
#> 28021 1 0.0524 0.9471 0.988 0.004 0.000 0.008
#> 28023 4 0.2245 0.9249 0.008 0.020 0.040 0.932
#> 28024 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28028 4 0.1913 0.9235 0.000 0.020 0.040 0.940
#> 28031 4 0.4324 0.8824 0.008 0.140 0.036 0.816
#> 28032 4 0.2021 0.9235 0.000 0.024 0.040 0.936
#> 28035 1 0.0524 0.9471 0.988 0.004 0.000 0.008
#> 28036 4 0.2021 0.9235 0.000 0.024 0.040 0.936
#> 28037 1 0.0524 0.9471 0.988 0.004 0.000 0.008
#> 28042 4 0.2021 0.9235 0.000 0.024 0.040 0.936
#> 28043 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 28044 4 0.3943 0.8983 0.008 0.112 0.036 0.844
#> 28047 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 30001 1 0.0564 0.9477 0.988 0.004 0.004 0.004
#> 31007 4 0.4324 0.8780 0.008 0.140 0.036 0.816
#> 31011 4 0.2500 0.9264 0.000 0.040 0.044 0.916
#> 33005 1 0.0564 0.9477 0.988 0.004 0.004 0.004
#> 36001 1 0.0967 0.9439 0.976 0.016 0.004 0.004
#> 36002 3 0.1118 0.9497 0.000 0.000 0.964 0.036
#> 37013 3 0.1629 0.9472 0.000 0.024 0.952 0.024
#> 43001 3 0.1629 0.9472 0.000 0.024 0.952 0.024
#> 43004 4 0.4324 0.8746 0.008 0.140 0.036 0.816
#> 43007 3 0.0592 0.9627 0.000 0.000 0.984 0.016
#> 43012 4 0.3824 0.8976 0.008 0.124 0.024 0.844
#> 48001 1 0.3519 0.8667 0.856 0.120 0.004 0.020
#> 49006 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 57001 4 0.2845 0.9228 0.004 0.056 0.036 0.904
#> 62001 4 0.3943 0.9025 0.008 0.112 0.036 0.844
#> 62002 4 0.3850 0.8959 0.000 0.116 0.044 0.840
#> 62003 3 0.3607 0.8388 0.008 0.124 0.852 0.016
#> 63001 3 0.0336 0.9653 0.000 0.000 0.992 0.008
#> 64001 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 64002 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 65005 3 0.0000 0.9663 0.000 0.000 1.000 0.000
#> 68001 1 0.0188 0.9481 0.996 0.000 0.004 0.000
#> 68003 3 0.0469 0.9642 0.000 0.000 0.988 0.012
#> 84004 4 0.3486 0.8082 0.000 0.000 0.188 0.812
#> LAL5 4 0.2197 0.9273 0.000 0.024 0.048 0.928
#> 01003 2 0.2589 0.9161 0.000 0.884 0.000 0.116
#> 01007 2 0.0817 0.9058 0.000 0.976 0.000 0.024
#> 02020 2 0.1305 0.8902 0.004 0.960 0.000 0.036
#> 04018 2 0.2408 0.9151 0.000 0.896 0.000 0.104
#> 09002 2 0.3351 0.9112 0.000 0.844 0.008 0.148
#> 10005 2 0.6125 0.7719 0.004 0.692 0.160 0.144
#> 11002 2 0.3402 0.9108 0.004 0.832 0.000 0.164
#> 12008 2 0.3427 0.8447 0.000 0.860 0.112 0.028
#> 15006 1 0.0895 0.9375 0.976 0.020 0.000 0.004
#> 16002 2 0.3024 0.9114 0.000 0.852 0.000 0.148
#> 16007 2 0.3123 0.9104 0.000 0.844 0.000 0.156
#> 17003 2 0.1584 0.8815 0.012 0.952 0.000 0.036
#> 18001 2 0.3402 0.9108 0.004 0.832 0.000 0.164
#> 19002 2 0.0817 0.9058 0.000 0.976 0.000 0.024
#> 19008 2 0.3172 0.9105 0.000 0.840 0.000 0.160
#> 19014 2 0.1209 0.8982 0.004 0.964 0.000 0.032
#> 19017 2 0.3583 0.9071 0.004 0.816 0.000 0.180
#> 20005 2 0.3402 0.9108 0.004 0.832 0.000 0.164
#> 24006 2 0.0336 0.8987 0.000 0.992 0.000 0.008
#> 26009 1 0.0779 0.9396 0.980 0.016 0.000 0.004
#> 28008 2 0.3402 0.9108 0.004 0.832 0.000 0.164
#> 28009 2 0.0817 0.9058 0.000 0.976 0.000 0.024
#> 31015 2 0.3105 0.9152 0.004 0.856 0.000 0.140
#> 37001 2 0.0592 0.9027 0.000 0.984 0.000 0.016
#> 43006 2 0.3172 0.9105 0.000 0.840 0.000 0.160
#> 43015 2 0.3355 0.9134 0.004 0.836 0.000 0.160
#> 44001 2 0.0707 0.9065 0.000 0.980 0.000 0.020
#> 49004 2 0.3123 0.9104 0.000 0.844 0.000 0.156
#> 56007 2 0.3123 0.9104 0.000 0.844 0.000 0.156
#> 64005 2 0.0707 0.8907 0.000 0.980 0.000 0.020
#> 65003 2 0.0817 0.9058 0.000 0.976 0.000 0.024
#> 83001 2 0.1398 0.9048 0.004 0.956 0.000 0.040
#> LAL4 2 0.1109 0.9004 0.004 0.968 0.000 0.028
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0290 0.8252 0.000 0.000 0.992 0.008 0.000
#> 01010 1 0.0404 0.8105 0.988 0.000 0.000 0.000 0.012
#> 03002 3 0.3530 0.7866 0.000 0.000 0.784 0.012 0.204
#> 04006 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 04007 3 0.5104 0.7118 0.000 0.000 0.692 0.116 0.192
#> 04008 3 0.4473 0.2441 0.412 0.000 0.580 0.000 0.008
#> 04010 1 0.2416 0.7945 0.888 0.000 0.000 0.012 0.100
#> 04016 3 0.4867 0.7372 0.000 0.000 0.716 0.104 0.180
#> 06002 3 0.0693 0.8191 0.012 0.000 0.980 0.000 0.008
#> 08001 4 0.5120 0.4917 0.000 0.000 0.104 0.684 0.212
#> 08011 3 0.0290 0.8252 0.000 0.000 0.992 0.008 0.000
#> 08012 3 0.4152 0.7753 0.000 0.000 0.772 0.060 0.168
#> 08018 3 0.0771 0.8229 0.000 0.000 0.976 0.020 0.004
#> 08024 3 0.0740 0.8252 0.004 0.000 0.980 0.008 0.008
#> 09008 1 0.3835 0.7112 0.744 0.000 0.000 0.012 0.244
#> 09017 5 0.5230 -0.1993 0.000 0.012 0.024 0.436 0.528
#> 11005 3 0.6179 0.4965 0.000 0.000 0.556 0.228 0.216
#> 12006 3 0.4425 0.6181 0.000 0.000 0.600 0.008 0.392
#> 12007 3 0.0290 0.8252 0.000 0.000 0.992 0.008 0.000
#> 12012 3 0.0854 0.8226 0.004 0.000 0.976 0.008 0.012
#> 12019 3 0.1764 0.8266 0.000 0.000 0.928 0.008 0.064
#> 12026 3 0.3427 0.6937 0.012 0.000 0.796 0.000 0.192
#> 14016 3 0.3462 0.6916 0.012 0.000 0.792 0.000 0.196
#> 15001 3 0.0613 0.8238 0.004 0.000 0.984 0.008 0.004
#> 15004 4 0.2407 0.7905 0.000 0.012 0.004 0.896 0.088
#> 15005 5 0.5413 -0.2408 0.440 0.020 0.008 0.012 0.520
#> 16004 1 0.4382 0.4211 0.688 0.024 0.000 0.000 0.288
#> 16009 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 19005 1 0.5644 0.1169 0.540 0.024 0.036 0.000 0.400
#> 20002 1 0.4452 -0.0327 0.500 0.000 0.496 0.000 0.004
#> 22009 3 0.3474 0.7007 0.004 0.000 0.796 0.008 0.192
#> 22010 4 0.5924 0.1466 0.000 0.092 0.004 0.504 0.400
#> 22011 3 0.4226 0.7723 0.000 0.000 0.764 0.060 0.176
#> 22013 3 0.2054 0.8017 0.004 0.000 0.916 0.008 0.072
#> 24001 3 0.4612 0.7539 0.000 0.000 0.736 0.084 0.180
#> 24005 4 0.2477 0.7710 0.000 0.008 0.008 0.892 0.092
#> 24008 3 0.2136 0.8207 0.000 0.000 0.904 0.008 0.088
#> 24010 3 0.3455 0.7875 0.000 0.000 0.784 0.008 0.208
#> 24011 3 0.0613 0.8238 0.004 0.000 0.984 0.008 0.004
#> 24017 1 0.0162 0.8107 0.996 0.000 0.000 0.000 0.004
#> 24018 5 0.5024 -0.2090 0.440 0.024 0.000 0.004 0.532
#> 24019 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 24022 4 0.1843 0.8063 0.000 0.008 0.008 0.932 0.052
#> 25003 3 0.3209 0.7982 0.000 0.000 0.812 0.008 0.180
#> 25006 1 0.0000 0.8104 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.1281 0.8118 0.012 0.000 0.956 0.000 0.032
#> 26003 4 0.1843 0.8063 0.000 0.008 0.008 0.932 0.052
#> 26005 3 0.0613 0.8238 0.004 0.000 0.984 0.008 0.004
#> 26008 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 27003 4 0.4988 0.3104 0.000 0.024 0.004 0.556 0.416
#> 27004 4 0.1843 0.8063 0.000 0.008 0.008 0.932 0.052
#> 28001 5 0.5049 -0.2932 0.000 0.024 0.004 0.472 0.500
#> 28003 4 0.4456 0.6129 0.000 0.032 0.004 0.716 0.248
#> 28005 4 0.1538 0.8076 0.000 0.008 0.008 0.948 0.036
#> 28006 4 0.2408 0.8011 0.000 0.008 0.004 0.892 0.096
#> 28007 4 0.1280 0.8057 0.000 0.008 0.008 0.960 0.024
#> 28019 1 0.3391 0.7593 0.800 0.000 0.000 0.012 0.188
#> 28021 1 0.3530 0.7493 0.784 0.000 0.000 0.012 0.204
#> 28023 4 0.1857 0.7983 0.000 0.008 0.004 0.928 0.060
#> 28024 4 0.1369 0.8052 0.000 0.008 0.008 0.956 0.028
#> 28028 4 0.1914 0.7937 0.000 0.008 0.008 0.928 0.056
#> 28031 4 0.4482 0.6013 0.000 0.032 0.004 0.712 0.252
#> 28032 4 0.1618 0.8003 0.000 0.008 0.008 0.944 0.040
#> 28035 1 0.3530 0.7493 0.784 0.000 0.000 0.012 0.204
#> 28036 4 0.1843 0.8063 0.000 0.008 0.008 0.932 0.052
#> 28037 1 0.3530 0.7493 0.784 0.000 0.000 0.012 0.204
#> 28042 4 0.1983 0.7985 0.000 0.008 0.008 0.924 0.060
#> 28043 4 0.1843 0.8063 0.000 0.008 0.008 0.932 0.052
#> 28044 4 0.3985 0.7098 0.000 0.028 0.004 0.772 0.196
#> 28047 4 0.0960 0.8077 0.000 0.008 0.004 0.972 0.016
#> 30001 1 0.2909 0.7823 0.848 0.000 0.000 0.012 0.140
#> 31007 4 0.4846 0.3805 0.000 0.024 0.004 0.612 0.360
#> 31011 4 0.2241 0.8042 0.000 0.008 0.008 0.908 0.076
#> 33005 1 0.2470 0.7937 0.884 0.000 0.000 0.012 0.104
#> 36001 1 0.3705 0.7481 0.788 0.008 0.000 0.012 0.192
#> 36002 3 0.6222 0.5314 0.000 0.000 0.548 0.216 0.236
#> 37013 3 0.4425 0.6181 0.000 0.000 0.600 0.008 0.392
#> 43001 3 0.4557 0.5855 0.012 0.000 0.584 0.000 0.404
#> 43004 4 0.5042 0.2024 0.000 0.024 0.004 0.512 0.460
#> 43007 3 0.3953 0.7821 0.000 0.000 0.784 0.048 0.168
#> 43012 4 0.3219 0.7500 0.000 0.020 0.004 0.840 0.136
#> 48001 1 0.5256 0.1405 0.492 0.024 0.000 0.012 0.472
#> 49006 3 0.1557 0.8270 0.000 0.000 0.940 0.008 0.052
#> 57001 4 0.2074 0.8001 0.000 0.016 0.004 0.920 0.060
#> 62001 4 0.3880 0.7077 0.000 0.020 0.004 0.772 0.204
#> 62002 4 0.3461 0.7432 0.000 0.016 0.004 0.812 0.168
#> 62003 5 0.5325 -0.2955 0.016 0.024 0.440 0.000 0.520
#> 63001 3 0.2077 0.8194 0.000 0.000 0.908 0.008 0.084
#> 64001 3 0.0451 0.8255 0.000 0.000 0.988 0.008 0.004
#> 64002 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 65005 3 0.0451 0.8255 0.000 0.000 0.988 0.008 0.004
#> 68001 1 0.0162 0.8102 0.996 0.000 0.000 0.000 0.004
#> 68003 3 0.5073 0.7238 0.000 0.000 0.688 0.100 0.212
#> 84004 4 0.5299 0.4657 0.000 0.000 0.120 0.668 0.212
#> LAL5 4 0.1186 0.8082 0.000 0.008 0.008 0.964 0.020
#> 01003 2 0.1211 0.8748 0.000 0.960 0.000 0.024 0.016
#> 01007 2 0.1544 0.8651 0.000 0.932 0.000 0.000 0.068
#> 02020 2 0.2891 0.8165 0.000 0.824 0.000 0.000 0.176
#> 04018 2 0.2012 0.8689 0.000 0.920 0.000 0.020 0.060
#> 09002 2 0.3147 0.8641 0.000 0.856 0.008 0.024 0.112
#> 10005 2 0.6243 0.5869 0.000 0.608 0.204 0.020 0.168
#> 11002 2 0.2729 0.8717 0.000 0.884 0.004 0.028 0.084
#> 12008 2 0.3193 0.8601 0.000 0.840 0.028 0.000 0.132
#> 15006 1 0.1168 0.7906 0.960 0.008 0.000 0.000 0.032
#> 16002 2 0.2388 0.8739 0.000 0.900 0.000 0.028 0.072
#> 16007 2 0.3012 0.8665 0.000 0.852 0.000 0.024 0.124
#> 17003 2 0.4276 0.5255 0.004 0.616 0.000 0.000 0.380
#> 18001 2 0.2610 0.8734 0.000 0.892 0.004 0.028 0.076
#> 19002 2 0.2605 0.8346 0.000 0.852 0.000 0.000 0.148
#> 19008 2 0.3197 0.8646 0.000 0.852 0.008 0.024 0.116
#> 19014 2 0.2852 0.8211 0.000 0.828 0.000 0.000 0.172
#> 19017 2 0.3080 0.8642 0.000 0.852 0.004 0.020 0.124
#> 20005 2 0.2670 0.8730 0.000 0.888 0.004 0.028 0.080
#> 24006 2 0.2329 0.8483 0.000 0.876 0.000 0.000 0.124
#> 26009 1 0.1168 0.7906 0.960 0.008 0.000 0.000 0.032
#> 28008 2 0.2729 0.8733 0.000 0.884 0.004 0.028 0.084
#> 28009 2 0.2690 0.8297 0.000 0.844 0.000 0.000 0.156
#> 31015 2 0.1211 0.8753 0.000 0.960 0.000 0.024 0.016
#> 37001 2 0.2690 0.8297 0.000 0.844 0.000 0.000 0.156
#> 43006 2 0.3147 0.8641 0.000 0.856 0.008 0.024 0.112
#> 43015 2 0.3012 0.8648 0.000 0.852 0.000 0.024 0.124
#> 44001 2 0.1410 0.8658 0.000 0.940 0.000 0.000 0.060
#> 49004 2 0.3197 0.8648 0.000 0.852 0.008 0.024 0.116
#> 56007 2 0.3294 0.8653 0.000 0.844 0.008 0.024 0.124
#> 64005 2 0.2471 0.8483 0.000 0.864 0.000 0.000 0.136
#> 65003 2 0.2690 0.8297 0.000 0.844 0.000 0.000 0.156
#> 83001 2 0.1908 0.8615 0.000 0.908 0.000 0.000 0.092
#> LAL4 2 0.2813 0.8242 0.000 0.832 0.000 0.000 0.168
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3563 0.5396 0.000 0.000 0.664 0.000 0.000 0.336
#> 01010 1 0.0717 0.7759 0.976 0.000 0.000 0.000 0.016 0.008
#> 03002 3 0.3150 0.4543 0.000 0.000 0.856 0.036 0.068 0.040
#> 04006 1 0.0146 0.7743 0.996 0.000 0.000 0.000 0.004 0.000
#> 04007 3 0.3606 0.3885 0.000 0.000 0.788 0.172 0.016 0.024
#> 04008 3 0.6140 0.2922 0.212 0.000 0.416 0.000 0.008 0.364
#> 04010 1 0.3655 0.7333 0.792 0.000 0.000 0.000 0.096 0.112
#> 04016 3 0.3854 0.4242 0.000 0.000 0.800 0.120 0.040 0.040
#> 06002 3 0.3911 0.5268 0.000 0.000 0.624 0.000 0.008 0.368
#> 08001 4 0.5659 0.2341 0.000 0.000 0.388 0.508 0.068 0.036
#> 08011 3 0.3578 0.5392 0.000 0.000 0.660 0.000 0.000 0.340
#> 08012 3 0.2685 0.4728 0.000 0.000 0.884 0.052 0.024 0.040
#> 08018 3 0.3634 0.5344 0.000 0.000 0.644 0.000 0.000 0.356
#> 08024 3 0.3899 0.5297 0.000 0.000 0.628 0.000 0.008 0.364
#> 09008 1 0.5317 0.5426 0.568 0.000 0.000 0.004 0.316 0.112
#> 09017 5 0.6800 0.2886 0.000 0.000 0.256 0.196 0.472 0.076
#> 11005 3 0.5927 0.2172 0.000 0.000 0.584 0.256 0.100 0.060
#> 12006 3 0.5004 0.2617 0.000 0.000 0.624 0.004 0.276 0.096
#> 12007 3 0.3647 0.5356 0.000 0.000 0.640 0.000 0.000 0.360
#> 12012 3 0.4026 0.5187 0.000 0.000 0.612 0.000 0.012 0.376
#> 12019 3 0.2912 0.5456 0.000 0.000 0.784 0.000 0.000 0.216
#> 12026 6 0.5820 -0.5857 0.000 0.000 0.400 0.000 0.184 0.416
#> 14016 3 0.6035 0.1495 0.000 0.000 0.376 0.000 0.248 0.376
#> 15001 3 0.3795 0.5295 0.000 0.000 0.632 0.000 0.004 0.364
#> 15004 4 0.3043 0.7088 0.000 0.000 0.000 0.792 0.200 0.008
#> 15005 5 0.6252 0.2694 0.240 0.004 0.056 0.004 0.576 0.120
#> 16004 1 0.4572 0.2858 0.636 0.008 0.000 0.000 0.316 0.040
#> 16009 1 0.0000 0.7755 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 5 0.6520 0.2332 0.368 0.008 0.076 0.004 0.472 0.072
#> 20002 1 0.6398 -0.3458 0.368 0.000 0.324 0.000 0.012 0.296
#> 22009 3 0.5803 0.1873 0.000 0.000 0.412 0.000 0.180 0.408
#> 22010 5 0.6547 0.2261 0.000 0.248 0.004 0.256 0.464 0.028
#> 22011 3 0.3043 0.4658 0.000 0.000 0.864 0.056 0.040 0.040
#> 22013 3 0.4703 0.4597 0.000 0.000 0.544 0.000 0.048 0.408
#> 24001 3 0.3382 0.4530 0.000 0.000 0.840 0.080 0.040 0.040
#> 24005 4 0.2812 0.6911 0.000 0.000 0.072 0.872 0.040 0.016
#> 24008 3 0.2597 0.5413 0.000 0.000 0.824 0.000 0.000 0.176
#> 24010 3 0.2507 0.4711 0.000 0.000 0.884 0.004 0.072 0.040
#> 24011 3 0.3672 0.5315 0.000 0.000 0.632 0.000 0.000 0.368
#> 24017 1 0.0603 0.7760 0.980 0.000 0.000 0.000 0.016 0.004
#> 24018 5 0.5032 0.2026 0.324 0.008 0.000 0.000 0.596 0.072
#> 24019 1 0.0000 0.7755 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.2589 0.7278 0.000 0.000 0.024 0.888 0.060 0.028
#> 25003 3 0.2201 0.4801 0.000 0.000 0.900 0.000 0.048 0.052
#> 25006 1 0.0000 0.7755 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.4254 0.4929 0.000 0.000 0.576 0.000 0.020 0.404
#> 26003 4 0.2589 0.7278 0.000 0.000 0.024 0.888 0.060 0.028
#> 26005 3 0.3634 0.5344 0.000 0.000 0.644 0.000 0.000 0.356
#> 26008 1 0.0146 0.7743 0.996 0.000 0.000 0.000 0.004 0.000
#> 27003 5 0.4489 -0.0651 0.000 0.008 0.000 0.404 0.568 0.020
#> 27004 4 0.2164 0.7407 0.000 0.000 0.012 0.908 0.060 0.020
#> 28001 5 0.4789 0.2448 0.000 0.004 0.004 0.292 0.640 0.060
#> 28003 4 0.4479 0.4723 0.000 0.024 0.000 0.600 0.368 0.008
#> 28005 4 0.1219 0.7449 0.000 0.000 0.000 0.948 0.048 0.004
#> 28006 4 0.3364 0.7284 0.000 0.000 0.000 0.780 0.196 0.024
#> 28007 4 0.0551 0.7465 0.000 0.000 0.004 0.984 0.008 0.004
#> 28019 1 0.4707 0.6664 0.672 0.000 0.000 0.000 0.216 0.112
#> 28021 1 0.5330 0.6208 0.620 0.000 0.000 0.016 0.252 0.112
#> 28023 4 0.2814 0.7149 0.000 0.000 0.000 0.820 0.172 0.008
#> 28024 4 0.0653 0.7446 0.000 0.000 0.004 0.980 0.012 0.004
#> 28028 4 0.2177 0.7243 0.000 0.000 0.008 0.908 0.052 0.032
#> 28031 4 0.4242 0.4761 0.000 0.012 0.000 0.612 0.368 0.008
#> 28032 4 0.2022 0.7301 0.000 0.000 0.008 0.916 0.052 0.024
#> 28035 1 0.5330 0.6208 0.620 0.000 0.000 0.016 0.252 0.112
#> 28036 4 0.2507 0.7295 0.000 0.000 0.020 0.892 0.060 0.028
#> 28037 1 0.5022 0.6501 0.652 0.000 0.000 0.008 0.228 0.112
#> 28042 4 0.3111 0.7170 0.000 0.008 0.000 0.820 0.156 0.016
#> 28043 4 0.2303 0.7338 0.000 0.000 0.020 0.904 0.052 0.024
#> 28044 4 0.3918 0.5766 0.000 0.004 0.000 0.632 0.360 0.004
#> 28047 4 0.2346 0.7354 0.000 0.000 0.000 0.868 0.124 0.008
#> 30001 1 0.4040 0.7185 0.756 0.000 0.000 0.000 0.132 0.112
#> 31007 4 0.4629 0.2007 0.000 0.008 0.000 0.508 0.460 0.024
#> 31011 4 0.3429 0.7356 0.000 0.000 0.028 0.812 0.144 0.016
#> 33005 1 0.3607 0.7348 0.796 0.000 0.000 0.000 0.092 0.112
#> 36001 1 0.5103 0.5878 0.612 0.004 0.000 0.000 0.280 0.104
#> 36002 3 0.5507 0.2614 0.000 0.000 0.624 0.244 0.092 0.040
#> 37013 3 0.5297 0.2336 0.000 0.000 0.580 0.004 0.300 0.116
#> 43001 3 0.5233 0.2026 0.000 0.000 0.556 0.000 0.332 0.112
#> 43004 5 0.4044 0.1881 0.000 0.008 0.000 0.312 0.668 0.012
#> 43007 3 0.1806 0.4871 0.000 0.000 0.928 0.044 0.008 0.020
#> 43012 4 0.3512 0.6588 0.000 0.004 0.000 0.740 0.248 0.008
#> 48001 5 0.4880 0.0388 0.376 0.004 0.000 0.000 0.564 0.056
#> 49006 3 0.2996 0.5488 0.000 0.000 0.772 0.000 0.000 0.228
#> 57001 4 0.3652 0.6970 0.000 0.000 0.008 0.760 0.212 0.020
#> 62001 4 0.4343 0.5187 0.000 0.000 0.004 0.592 0.384 0.020
#> 62002 4 0.4887 0.5666 0.000 0.004 0.036 0.628 0.312 0.020
#> 62003 5 0.5727 0.0855 0.004 0.008 0.376 0.000 0.496 0.116
#> 63001 3 0.3905 0.5263 0.000 0.000 0.744 0.004 0.040 0.212
#> 64001 3 0.3531 0.5415 0.000 0.000 0.672 0.000 0.000 0.328
#> 64002 1 0.0000 0.7755 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.3531 0.5415 0.000 0.000 0.672 0.000 0.000 0.328
#> 68001 1 0.0000 0.7755 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 3 0.5543 0.3203 0.000 0.000 0.660 0.172 0.084 0.084
#> 84004 4 0.5562 0.1951 0.000 0.000 0.428 0.480 0.056 0.036
#> LAL5 4 0.2742 0.7368 0.000 0.000 0.008 0.852 0.128 0.012
#> 01003 2 0.1708 0.7393 0.000 0.932 0.000 0.004 0.040 0.024
#> 01007 2 0.0508 0.7326 0.000 0.984 0.000 0.000 0.012 0.004
#> 02020 2 0.3509 0.6782 0.000 0.804 0.000 0.000 0.112 0.084
#> 04018 2 0.0551 0.7350 0.000 0.984 0.000 0.004 0.004 0.008
#> 09002 2 0.4977 0.6606 0.000 0.612 0.000 0.004 0.084 0.300
#> 10005 6 0.7220 -0.4786 0.000 0.276 0.236 0.000 0.100 0.388
#> 11002 2 0.5603 0.6529 0.000 0.544 0.000 0.012 0.120 0.324
#> 12008 2 0.4993 0.6766 0.000 0.608 0.004 0.000 0.084 0.304
#> 15006 1 0.1152 0.7475 0.952 0.044 0.000 0.000 0.000 0.004
#> 16002 2 0.4416 0.7017 0.000 0.708 0.000 0.004 0.076 0.212
#> 16007 2 0.4796 0.6765 0.000 0.652 0.000 0.004 0.084 0.260
#> 17003 2 0.5095 0.3585 0.000 0.584 0.000 0.000 0.312 0.104
#> 18001 2 0.5098 0.6868 0.000 0.608 0.000 0.004 0.100 0.288
#> 19002 2 0.1219 0.7206 0.000 0.948 0.000 0.000 0.048 0.004
#> 19008 2 0.5067 0.6560 0.000 0.596 0.000 0.004 0.088 0.312
#> 19014 2 0.3367 0.6894 0.000 0.816 0.000 0.000 0.104 0.080
#> 19017 2 0.5236 0.6393 0.000 0.536 0.004 0.000 0.088 0.372
#> 20005 2 0.5429 0.6732 0.000 0.588 0.000 0.012 0.116 0.284
#> 24006 2 0.0777 0.7294 0.000 0.972 0.000 0.000 0.024 0.004
#> 26009 1 0.1010 0.7540 0.960 0.036 0.000 0.000 0.000 0.004
#> 28008 2 0.5227 0.6894 0.000 0.624 0.000 0.012 0.108 0.256
#> 28009 2 0.1082 0.7239 0.000 0.956 0.000 0.000 0.040 0.004
#> 31015 2 0.3728 0.7244 0.000 0.788 0.000 0.004 0.068 0.140
#> 37001 2 0.1285 0.7184 0.000 0.944 0.000 0.000 0.052 0.004
#> 43006 2 0.5252 0.6410 0.000 0.576 0.000 0.008 0.092 0.324
#> 43015 2 0.5200 0.6532 0.000 0.552 0.000 0.004 0.088 0.356
#> 44001 2 0.0405 0.7362 0.000 0.988 0.000 0.000 0.008 0.004
#> 49004 2 0.4945 0.6612 0.000 0.620 0.000 0.004 0.084 0.292
#> 56007 2 0.4945 0.6643 0.000 0.620 0.000 0.004 0.084 0.292
#> 64005 2 0.1572 0.7293 0.000 0.936 0.000 0.000 0.028 0.036
#> 65003 2 0.1152 0.7246 0.000 0.952 0.000 0.000 0.044 0.004
#> 83001 2 0.2680 0.7160 0.000 0.868 0.000 0.000 0.056 0.076
#> LAL4 2 0.3125 0.7027 0.000 0.836 0.000 0.000 0.084 0.080
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:kmeans 128 0.448 0.431 6.90e-02 2
#> MAD:kmeans 125 0.205 0.817 2.29e-07 3
#> MAD:kmeans 126 0.221 0.626 4.90e-20 4
#> MAD:kmeans 111 0.520 0.587 1.87e-17 5
#> MAD:kmeans 88 0.456 0.417 9.08e-13 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "skmeans"]
# you can also extract it by
# res = res_list["MAD:skmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.801 0.880 0.949 0.5009 0.500 0.500
#> 3 3 0.774 0.916 0.947 0.3103 0.748 0.541
#> 4 4 1.000 0.958 0.983 0.1479 0.846 0.587
#> 5 5 0.835 0.728 0.871 0.0592 0.948 0.794
#> 6 6 0.790 0.672 0.781 0.0355 0.959 0.812
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0672 0.9625 0.992 0.008
#> 01010 1 0.0000 0.9644 1.000 0.000
#> 03002 1 0.6148 0.8017 0.848 0.152
#> 04006 1 0.0000 0.9644 1.000 0.000
#> 04007 2 0.9323 0.5198 0.348 0.652
#> 04008 1 0.0000 0.9644 1.000 0.000
#> 04010 1 0.0000 0.9644 1.000 0.000
#> 04016 2 0.9993 0.1704 0.484 0.516
#> 06002 1 0.0672 0.9625 0.992 0.008
#> 08001 2 0.7219 0.7484 0.200 0.800
#> 08011 1 0.0672 0.9625 0.992 0.008
#> 08012 2 0.7219 0.7484 0.200 0.800
#> 08018 1 0.0672 0.9625 0.992 0.008
#> 08024 1 0.0672 0.9625 0.992 0.008
#> 09008 1 0.0000 0.9644 1.000 0.000
#> 09017 2 0.9358 0.5177 0.352 0.648
#> 11005 2 0.7219 0.7484 0.200 0.800
#> 12006 1 0.0672 0.9625 0.992 0.008
#> 12007 1 0.0672 0.9625 0.992 0.008
#> 12012 1 0.0672 0.9625 0.992 0.008
#> 12019 1 0.0672 0.9625 0.992 0.008
#> 12026 1 0.0000 0.9644 1.000 0.000
#> 14016 1 0.0000 0.9644 1.000 0.000
#> 15001 1 0.0672 0.9625 0.992 0.008
#> 15004 2 0.0000 0.9276 0.000 1.000
#> 15005 1 0.0000 0.9644 1.000 0.000
#> 16004 1 0.0000 0.9644 1.000 0.000
#> 16009 1 0.0000 0.9644 1.000 0.000
#> 19005 1 0.0000 0.9644 1.000 0.000
#> 20002 1 0.0000 0.9644 1.000 0.000
#> 22009 1 0.0376 0.9635 0.996 0.004
#> 22010 2 0.0672 0.9257 0.008 0.992
#> 22011 2 0.9993 0.1704 0.484 0.516
#> 22013 1 0.0376 0.9635 0.996 0.004
#> 24001 2 0.9993 0.1704 0.484 0.516
#> 24005 2 0.1184 0.9201 0.016 0.984
#> 24008 1 0.0672 0.9625 0.992 0.008
#> 24010 1 0.7299 0.7206 0.796 0.204
#> 24011 1 0.0672 0.9625 0.992 0.008
#> 24017 1 0.0000 0.9644 1.000 0.000
#> 24018 1 0.0000 0.9644 1.000 0.000
#> 24019 1 0.0000 0.9644 1.000 0.000
#> 24022 2 0.0000 0.9276 0.000 1.000
#> 25003 1 0.0672 0.9625 0.992 0.008
#> 25006 1 0.0000 0.9644 1.000 0.000
#> 26001 1 0.0000 0.9644 1.000 0.000
#> 26003 2 0.0000 0.9276 0.000 1.000
#> 26005 1 0.0672 0.9625 0.992 0.008
#> 26008 1 0.0000 0.9644 1.000 0.000
#> 27003 2 0.0672 0.9257 0.008 0.992
#> 27004 2 0.0000 0.9276 0.000 1.000
#> 28001 1 0.5059 0.8575 0.888 0.112
#> 28003 2 0.0672 0.9257 0.008 0.992
#> 28005 2 0.0938 0.9226 0.012 0.988
#> 28006 2 0.0672 0.9247 0.008 0.992
#> 28007 2 0.0672 0.9247 0.008 0.992
#> 28019 1 0.0000 0.9644 1.000 0.000
#> 28021 1 0.0000 0.9644 1.000 0.000
#> 28023 2 0.0000 0.9276 0.000 1.000
#> 28024 2 0.0672 0.9247 0.008 0.992
#> 28028 2 0.0000 0.9276 0.000 1.000
#> 28031 1 0.9922 0.0843 0.552 0.448
#> 28032 2 0.0000 0.9276 0.000 1.000
#> 28035 1 0.6973 0.7598 0.812 0.188
#> 28036 2 0.0000 0.9276 0.000 1.000
#> 28037 1 0.0000 0.9644 1.000 0.000
#> 28042 2 0.0000 0.9276 0.000 1.000
#> 28043 2 0.0000 0.9276 0.000 1.000
#> 28044 2 0.1184 0.9233 0.016 0.984
#> 28047 2 0.0000 0.9276 0.000 1.000
#> 30001 1 0.0000 0.9644 1.000 0.000
#> 31007 2 0.0376 0.9268 0.004 0.996
#> 31011 2 0.3879 0.8746 0.076 0.924
#> 33005 1 0.0000 0.9644 1.000 0.000
#> 36001 1 0.0000 0.9644 1.000 0.000
#> 36002 2 0.9996 0.1564 0.488 0.512
#> 37013 1 0.0376 0.9635 0.996 0.004
#> 43001 1 0.0000 0.9644 1.000 0.000
#> 43004 1 0.0000 0.9644 1.000 0.000
#> 43007 2 0.7299 0.7437 0.204 0.796
#> 43012 2 0.0376 0.9268 0.004 0.996
#> 48001 1 0.0000 0.9644 1.000 0.000
#> 49006 1 0.0672 0.9625 0.992 0.008
#> 57001 2 0.0000 0.9276 0.000 1.000
#> 62001 2 0.1184 0.9233 0.016 0.984
#> 62002 2 0.4161 0.8705 0.084 0.916
#> 62003 1 0.0000 0.9644 1.000 0.000
#> 63001 2 0.9608 0.4435 0.384 0.616
#> 64001 1 0.0672 0.9625 0.992 0.008
#> 64002 1 0.0000 0.9644 1.000 0.000
#> 65005 1 0.0672 0.9625 0.992 0.008
#> 68001 1 0.0000 0.9644 1.000 0.000
#> 68003 2 0.9963 0.2338 0.464 0.536
#> 84004 2 0.4161 0.8678 0.084 0.916
#> LAL5 2 0.0000 0.9276 0.000 1.000
#> 01003 2 0.0000 0.9276 0.000 1.000
#> 01007 2 0.0672 0.9257 0.008 0.992
#> 02020 2 0.0672 0.9257 0.008 0.992
#> 04018 2 0.0376 0.9268 0.004 0.996
#> 09002 2 0.0000 0.9276 0.000 1.000
#> 10005 2 0.0000 0.9276 0.000 1.000
#> 11002 2 0.0000 0.9276 0.000 1.000
#> 12008 2 0.0000 0.9276 0.000 1.000
#> 15006 1 0.7219 0.7436 0.800 0.200
#> 16002 2 0.0000 0.9276 0.000 1.000
#> 16007 2 0.0000 0.9276 0.000 1.000
#> 17003 1 0.7219 0.7436 0.800 0.200
#> 18001 2 0.0000 0.9276 0.000 1.000
#> 19002 2 0.0672 0.9257 0.008 0.992
#> 19008 2 0.0000 0.9276 0.000 1.000
#> 19014 2 0.0672 0.9257 0.008 0.992
#> 19017 2 0.0000 0.9276 0.000 1.000
#> 20005 2 0.0000 0.9276 0.000 1.000
#> 24006 2 0.0672 0.9257 0.008 0.992
#> 26009 1 0.6531 0.7887 0.832 0.168
#> 28008 2 0.0000 0.9276 0.000 1.000
#> 28009 2 0.0672 0.9257 0.008 0.992
#> 31015 2 0.0000 0.9276 0.000 1.000
#> 37001 2 0.0672 0.9257 0.008 0.992
#> 43006 2 0.0000 0.9276 0.000 1.000
#> 43015 2 0.0000 0.9276 0.000 1.000
#> 44001 2 0.0376 0.9268 0.004 0.996
#> 49004 2 0.0000 0.9276 0.000 1.000
#> 56007 2 0.0000 0.9276 0.000 1.000
#> 64005 2 0.0672 0.9257 0.008 0.992
#> 65003 2 0.0672 0.9257 0.008 0.992
#> 83001 2 0.0672 0.9257 0.008 0.992
#> LAL4 2 0.0672 0.9257 0.008 0.992
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.978 0.000 0.000 1.000
#> 01010 1 0.0237 0.974 0.996 0.000 0.004
#> 03002 3 0.0000 0.978 0.000 0.000 1.000
#> 04006 1 0.0237 0.974 0.996 0.000 0.004
#> 04007 3 0.0237 0.975 0.004 0.000 0.996
#> 04008 1 0.2261 0.915 0.932 0.000 0.068
#> 04010 1 0.0237 0.974 0.996 0.000 0.004
#> 04016 3 0.0000 0.978 0.000 0.000 1.000
#> 06002 3 0.1163 0.957 0.028 0.000 0.972
#> 08001 3 0.0237 0.975 0.004 0.000 0.996
#> 08011 3 0.0000 0.978 0.000 0.000 1.000
#> 08012 3 0.0000 0.978 0.000 0.000 1.000
#> 08018 3 0.0237 0.976 0.004 0.000 0.996
#> 08024 3 0.0237 0.976 0.004 0.000 0.996
#> 09008 1 0.0000 0.972 1.000 0.000 0.000
#> 09017 3 0.0237 0.975 0.004 0.000 0.996
#> 11005 3 0.0237 0.975 0.004 0.000 0.996
#> 12006 3 0.0000 0.978 0.000 0.000 1.000
#> 12007 3 0.0000 0.978 0.000 0.000 1.000
#> 12012 3 0.0237 0.976 0.004 0.000 0.996
#> 12019 3 0.0237 0.976 0.004 0.000 0.996
#> 12026 3 0.1643 0.942 0.044 0.000 0.956
#> 14016 3 0.1163 0.957 0.028 0.000 0.972
#> 15001 3 0.0237 0.976 0.004 0.000 0.996
#> 15004 2 0.5466 0.823 0.160 0.800 0.040
#> 15005 1 0.0237 0.974 0.996 0.000 0.004
#> 16004 1 0.0237 0.974 0.996 0.000 0.004
#> 16009 1 0.0237 0.974 0.996 0.000 0.004
#> 19005 1 0.0237 0.974 0.996 0.000 0.004
#> 20002 1 0.2356 0.910 0.928 0.000 0.072
#> 22009 3 0.0237 0.976 0.004 0.000 0.996
#> 22010 2 0.0000 0.903 0.000 1.000 0.000
#> 22011 3 0.0000 0.978 0.000 0.000 1.000
#> 22013 3 0.0237 0.976 0.004 0.000 0.996
#> 24001 3 0.0000 0.978 0.000 0.000 1.000
#> 24005 2 0.4733 0.828 0.004 0.800 0.196
#> 24008 3 0.0000 0.978 0.000 0.000 1.000
#> 24010 3 0.0000 0.978 0.000 0.000 1.000
#> 24011 3 0.0237 0.976 0.004 0.000 0.996
#> 24017 1 0.0237 0.974 0.996 0.000 0.004
#> 24018 1 0.0237 0.974 0.996 0.000 0.004
#> 24019 1 0.0237 0.974 0.996 0.000 0.004
#> 24022 2 0.4733 0.828 0.004 0.800 0.196
#> 25003 3 0.0000 0.978 0.000 0.000 1.000
#> 25006 1 0.0237 0.974 0.996 0.000 0.004
#> 26001 3 0.1643 0.942 0.044 0.000 0.956
#> 26003 2 0.4733 0.828 0.004 0.800 0.196
#> 26005 3 0.0237 0.976 0.004 0.000 0.996
#> 26008 1 0.0237 0.974 0.996 0.000 0.004
#> 27003 2 0.5667 0.832 0.140 0.800 0.060
#> 27004 2 0.4733 0.828 0.004 0.800 0.196
#> 28001 1 0.0237 0.970 0.996 0.004 0.000
#> 28003 2 0.4291 0.816 0.180 0.820 0.000
#> 28005 2 0.4733 0.828 0.004 0.800 0.196
#> 28006 2 0.5466 0.840 0.040 0.800 0.160
#> 28007 2 0.4733 0.828 0.004 0.800 0.196
#> 28019 1 0.0000 0.972 1.000 0.000 0.000
#> 28021 1 0.0000 0.972 1.000 0.000 0.000
#> 28023 2 0.5292 0.817 0.172 0.800 0.028
#> 28024 2 0.4733 0.828 0.004 0.800 0.196
#> 28028 2 0.4733 0.828 0.004 0.800 0.196
#> 28031 1 0.2663 0.917 0.932 0.044 0.024
#> 28032 2 0.4733 0.828 0.004 0.800 0.196
#> 28035 1 0.0000 0.972 1.000 0.000 0.000
#> 28036 2 0.4733 0.828 0.004 0.800 0.196
#> 28037 1 0.0000 0.972 1.000 0.000 0.000
#> 28042 2 0.0237 0.902 0.004 0.996 0.000
#> 28043 2 0.4733 0.828 0.004 0.800 0.196
#> 28044 2 0.5277 0.811 0.180 0.796 0.024
#> 28047 2 0.5817 0.842 0.100 0.800 0.100
#> 30001 1 0.0237 0.974 0.996 0.000 0.004
#> 31007 2 0.4555 0.800 0.200 0.800 0.000
#> 31011 2 0.4733 0.828 0.004 0.800 0.196
#> 33005 1 0.0237 0.974 0.996 0.000 0.004
#> 36001 1 0.0237 0.974 0.996 0.000 0.004
#> 36002 3 0.0237 0.975 0.004 0.000 0.996
#> 37013 3 0.0000 0.978 0.000 0.000 1.000
#> 43001 3 0.2959 0.886 0.100 0.000 0.900
#> 43004 1 0.0892 0.957 0.980 0.000 0.020
#> 43007 3 0.0237 0.975 0.004 0.000 0.996
#> 43012 2 0.4409 0.821 0.172 0.824 0.004
#> 48001 1 0.0237 0.974 0.996 0.000 0.004
#> 49006 3 0.0000 0.978 0.000 0.000 1.000
#> 57001 2 0.4178 0.822 0.172 0.828 0.000
#> 62001 2 0.6482 0.658 0.296 0.680 0.024
#> 62002 2 0.4733 0.828 0.004 0.800 0.196
#> 62003 1 0.0237 0.974 0.996 0.000 0.004
#> 63001 3 0.0000 0.978 0.000 0.000 1.000
#> 64001 3 0.0000 0.978 0.000 0.000 1.000
#> 64002 1 0.0237 0.974 0.996 0.000 0.004
#> 65005 3 0.0000 0.978 0.000 0.000 1.000
#> 68001 1 0.0237 0.974 0.996 0.000 0.004
#> 68003 3 0.0000 0.978 0.000 0.000 1.000
#> 84004 3 0.0237 0.975 0.004 0.000 0.996
#> LAL5 2 0.4733 0.828 0.004 0.800 0.196
#> 01003 2 0.0000 0.903 0.000 1.000 0.000
#> 01007 2 0.0000 0.903 0.000 1.000 0.000
#> 02020 2 0.0000 0.903 0.000 1.000 0.000
#> 04018 2 0.0000 0.903 0.000 1.000 0.000
#> 09002 2 0.0892 0.894 0.000 0.980 0.020
#> 10005 3 0.4555 0.757 0.000 0.200 0.800
#> 11002 2 0.0000 0.903 0.000 1.000 0.000
#> 12008 3 0.5785 0.561 0.000 0.332 0.668
#> 15006 1 0.4121 0.824 0.832 0.168 0.000
#> 16002 2 0.0000 0.903 0.000 1.000 0.000
#> 16007 2 0.0000 0.903 0.000 1.000 0.000
#> 17003 1 0.4555 0.789 0.800 0.200 0.000
#> 18001 2 0.0000 0.903 0.000 1.000 0.000
#> 19002 2 0.0000 0.903 0.000 1.000 0.000
#> 19008 2 0.0000 0.903 0.000 1.000 0.000
#> 19014 2 0.0000 0.903 0.000 1.000 0.000
#> 19017 2 0.0000 0.903 0.000 1.000 0.000
#> 20005 2 0.0000 0.903 0.000 1.000 0.000
#> 24006 2 0.0000 0.903 0.000 1.000 0.000
#> 26009 1 0.4121 0.824 0.832 0.168 0.000
#> 28008 2 0.0000 0.903 0.000 1.000 0.000
#> 28009 2 0.0000 0.903 0.000 1.000 0.000
#> 31015 2 0.0000 0.903 0.000 1.000 0.000
#> 37001 2 0.0000 0.903 0.000 1.000 0.000
#> 43006 2 0.0000 0.903 0.000 1.000 0.000
#> 43015 2 0.0000 0.903 0.000 1.000 0.000
#> 44001 2 0.0000 0.903 0.000 1.000 0.000
#> 49004 2 0.0000 0.903 0.000 1.000 0.000
#> 56007 2 0.0000 0.903 0.000 1.000 0.000
#> 64005 2 0.0000 0.903 0.000 1.000 0.000
#> 65003 2 0.0000 0.903 0.000 1.000 0.000
#> 83001 2 0.0237 0.901 0.004 0.996 0.000
#> LAL4 2 0.0000 0.903 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 04008 1 0.1792 0.919 0.932 0.000 0.068 0.000
#> 04010 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 08001 4 0.4382 0.594 0.000 0.000 0.296 0.704
#> 08011 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 09017 4 0.2973 0.823 0.000 0.000 0.144 0.856
#> 11005 3 0.0817 0.974 0.000 0.000 0.976 0.024
#> 12006 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 15005 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 16004 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 20002 1 0.1557 0.931 0.944 0.000 0.056 0.000
#> 22009 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 22010 2 0.4543 0.513 0.000 0.676 0.000 0.324
#> 22011 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 24018 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 24019 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28001 4 0.3539 0.767 0.176 0.004 0.000 0.820
#> 28003 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28005 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28031 4 0.0188 0.960 0.004 0.000 0.000 0.996
#> 28032 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 31007 4 0.0188 0.960 0.000 0.004 0.000 0.996
#> 31011 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 36002 3 0.0592 0.983 0.000 0.000 0.984 0.016
#> 37013 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 43004 4 0.0921 0.940 0.028 0.000 0.000 0.972
#> 43007 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 48001 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 57001 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 62001 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 62003 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 63001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.999 0.000 0.000 1.000 0.000
#> 84004 4 0.4888 0.328 0.000 0.000 0.412 0.588
#> LAL5 4 0.0000 0.963 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 10005 2 0.4605 0.495 0.000 0.664 0.336 0.000
#> 11002 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 15006 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 16002 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 17003 1 0.4522 0.528 0.680 0.320 0.000 0.000
#> 18001 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 26009 1 0.0000 0.984 1.000 0.000 0.000 0.000
#> 28008 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.977 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.977 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0162 0.6759 0.000 0.000 0.996 0.000 0.004
#> 01010 1 0.0162 0.9243 0.996 0.000 0.000 0.000 0.004
#> 03002 5 0.4287 0.2105 0.000 0.000 0.460 0.000 0.540
#> 04006 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.5039 -0.0531 0.000 0.000 0.512 0.032 0.456
#> 04008 3 0.4294 0.0538 0.468 0.000 0.532 0.000 0.000
#> 04010 1 0.0162 0.9243 0.996 0.000 0.000 0.000 0.004
#> 04016 3 0.5036 -0.0429 0.000 0.000 0.516 0.032 0.452
#> 06002 3 0.0290 0.6755 0.000 0.000 0.992 0.000 0.008
#> 08001 5 0.5418 0.2337 0.000 0.000 0.068 0.364 0.568
#> 08011 3 0.0162 0.6759 0.000 0.000 0.996 0.000 0.004
#> 08012 3 0.4590 0.0754 0.000 0.000 0.568 0.012 0.420
#> 08018 3 0.0865 0.6661 0.000 0.000 0.972 0.024 0.004
#> 08024 3 0.0290 0.6755 0.000 0.000 0.992 0.000 0.008
#> 09008 1 0.0794 0.9174 0.972 0.000 0.000 0.000 0.028
#> 09017 5 0.2248 0.5253 0.000 0.000 0.012 0.088 0.900
#> 11005 5 0.3942 0.5384 0.000 0.000 0.232 0.020 0.748
#> 12006 5 0.3274 0.5163 0.000 0.000 0.220 0.000 0.780
#> 12007 3 0.2230 0.6203 0.000 0.000 0.884 0.000 0.116
#> 12012 3 0.2280 0.6162 0.000 0.000 0.880 0.000 0.120
#> 12019 3 0.0794 0.6693 0.000 0.000 0.972 0.000 0.028
#> 12026 3 0.4151 0.3485 0.004 0.000 0.652 0.000 0.344
#> 14016 3 0.4060 0.3303 0.000 0.000 0.640 0.000 0.360
#> 15001 3 0.0000 0.6761 0.000 0.000 1.000 0.000 0.000
#> 15004 4 0.0794 0.8796 0.000 0.000 0.000 0.972 0.028
#> 15005 1 0.0703 0.9189 0.976 0.000 0.000 0.000 0.024
#> 16004 1 0.2280 0.8422 0.880 0.000 0.000 0.000 0.120
#> 16009 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.1608 0.8817 0.928 0.000 0.000 0.000 0.072
#> 20002 1 0.4161 0.3290 0.608 0.000 0.392 0.000 0.000
#> 22009 3 0.4101 0.3148 0.000 0.000 0.628 0.000 0.372
#> 22010 2 0.6313 0.2671 0.000 0.516 0.000 0.296 0.188
#> 22011 3 0.4622 0.0250 0.000 0.000 0.548 0.012 0.440
#> 22013 3 0.3561 0.4639 0.000 0.000 0.740 0.000 0.260
#> 24001 3 0.4961 -0.0230 0.000 0.000 0.524 0.028 0.448
#> 24005 4 0.2179 0.8343 0.000 0.000 0.000 0.888 0.112
#> 24008 3 0.1341 0.6507 0.000 0.000 0.944 0.000 0.056
#> 24010 3 0.4291 -0.0823 0.000 0.000 0.536 0.000 0.464
#> 24011 3 0.1608 0.6478 0.000 0.000 0.928 0.000 0.072
#> 24017 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 24018 1 0.3242 0.7469 0.784 0.000 0.000 0.000 0.216
#> 24019 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.2773 0.8595 0.000 0.000 0.000 0.836 0.164
#> 25003 5 0.4249 0.2055 0.000 0.000 0.432 0.000 0.568
#> 25006 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.3048 0.5595 0.004 0.000 0.820 0.000 0.176
#> 26003 4 0.2732 0.8609 0.000 0.000 0.000 0.840 0.160
#> 26005 3 0.0162 0.6759 0.000 0.000 0.996 0.000 0.004
#> 26008 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.3913 0.7040 0.000 0.000 0.000 0.676 0.324
#> 27004 4 0.2280 0.8788 0.000 0.000 0.000 0.880 0.120
#> 28001 5 0.6333 -0.0288 0.132 0.000 0.012 0.320 0.536
#> 28003 4 0.1608 0.8640 0.000 0.000 0.000 0.928 0.072
#> 28005 4 0.2230 0.8821 0.000 0.000 0.000 0.884 0.116
#> 28006 4 0.2561 0.8730 0.000 0.000 0.000 0.856 0.144
#> 28007 4 0.1341 0.8887 0.000 0.000 0.000 0.944 0.056
#> 28019 1 0.0794 0.9174 0.972 0.000 0.000 0.000 0.028
#> 28021 1 0.0880 0.9154 0.968 0.000 0.000 0.000 0.032
#> 28023 4 0.0794 0.8814 0.000 0.000 0.000 0.972 0.028
#> 28024 4 0.1410 0.8883 0.000 0.000 0.000 0.940 0.060
#> 28028 4 0.1197 0.8799 0.000 0.000 0.000 0.952 0.048
#> 28031 4 0.1732 0.8599 0.000 0.000 0.000 0.920 0.080
#> 28032 4 0.0703 0.8852 0.000 0.000 0.000 0.976 0.024
#> 28035 1 0.0880 0.9154 0.968 0.000 0.000 0.000 0.032
#> 28036 4 0.2471 0.8742 0.000 0.000 0.000 0.864 0.136
#> 28037 1 0.0794 0.9174 0.972 0.000 0.000 0.000 0.028
#> 28042 4 0.1043 0.8765 0.000 0.000 0.000 0.960 0.040
#> 28043 4 0.2471 0.8742 0.000 0.000 0.000 0.864 0.136
#> 28044 4 0.2424 0.8786 0.000 0.000 0.000 0.868 0.132
#> 28047 4 0.0290 0.8848 0.000 0.000 0.000 0.992 0.008
#> 30001 1 0.0290 0.9236 0.992 0.000 0.000 0.000 0.008
#> 31007 4 0.2648 0.7854 0.000 0.000 0.000 0.848 0.152
#> 31011 4 0.2732 0.8609 0.000 0.000 0.000 0.840 0.160
#> 33005 1 0.0162 0.9243 0.996 0.000 0.000 0.000 0.004
#> 36001 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 36002 5 0.5569 0.3753 0.000 0.000 0.320 0.092 0.588
#> 37013 5 0.3305 0.5135 0.000 0.000 0.224 0.000 0.776
#> 43001 5 0.3662 0.4623 0.004 0.000 0.252 0.000 0.744
#> 43004 4 0.6117 0.4111 0.136 0.000 0.000 0.504 0.360
#> 43007 3 0.4165 0.3028 0.000 0.000 0.672 0.008 0.320
#> 43012 4 0.1341 0.8709 0.000 0.000 0.000 0.944 0.056
#> 48001 1 0.1732 0.8794 0.920 0.000 0.000 0.000 0.080
#> 49006 3 0.2690 0.5455 0.000 0.000 0.844 0.000 0.156
#> 57001 4 0.1270 0.8829 0.000 0.000 0.000 0.948 0.052
#> 62001 4 0.2605 0.8727 0.000 0.000 0.000 0.852 0.148
#> 62002 4 0.3109 0.8301 0.000 0.000 0.000 0.800 0.200
#> 62003 1 0.4675 0.4538 0.600 0.000 0.020 0.000 0.380
#> 63001 3 0.1341 0.6519 0.000 0.000 0.944 0.000 0.056
#> 64001 3 0.0404 0.6749 0.000 0.000 0.988 0.000 0.012
#> 64002 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0404 0.6749 0.000 0.000 0.988 0.000 0.012
#> 68001 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.4229 0.5015 0.000 0.000 0.276 0.020 0.704
#> 84004 5 0.6109 0.4201 0.000 0.000 0.220 0.212 0.568
#> LAL5 4 0.0794 0.8858 0.000 0.000 0.000 0.972 0.028
#> 01003 2 0.0162 0.9625 0.000 0.996 0.000 0.000 0.004
#> 01007 2 0.0162 0.9627 0.000 0.996 0.000 0.000 0.004
#> 02020 2 0.0703 0.9510 0.000 0.976 0.000 0.000 0.024
#> 04018 2 0.0162 0.9627 0.000 0.996 0.000 0.000 0.004
#> 09002 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 10005 2 0.5294 0.2431 0.000 0.564 0.380 0.000 0.056
#> 11002 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 12008 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 15006 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 16002 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 17003 1 0.5826 0.3966 0.556 0.332 0.000 0.000 0.112
#> 18001 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 19002 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 19008 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 19014 2 0.0703 0.9510 0.000 0.976 0.000 0.000 0.024
#> 19017 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 20005 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 24006 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 26009 1 0.0000 0.9248 1.000 0.000 0.000 0.000 0.000
#> 28008 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 28009 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 31015 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 37001 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 43006 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 43015 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 44001 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 49004 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.9632 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 65003 2 0.0290 0.9618 0.000 0.992 0.000 0.000 0.008
#> 83001 2 0.0162 0.9627 0.000 0.996 0.000 0.000 0.004
#> LAL4 2 0.0703 0.9510 0.000 0.976 0.000 0.000 0.024
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0146 0.78836 0.000 0.000 0.996 0.000 0.004 0.000
#> 01010 1 0.0146 0.89134 0.996 0.000 0.000 0.000 0.000 0.004
#> 03002 5 0.4634 0.55010 0.000 0.000 0.352 0.008 0.604 0.036
#> 04006 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 5 0.4588 0.57030 0.000 0.000 0.320 0.040 0.632 0.008
#> 04008 3 0.3874 0.36567 0.356 0.000 0.636 0.000 0.008 0.000
#> 04010 1 0.0790 0.88779 0.968 0.000 0.000 0.000 0.000 0.032
#> 04016 5 0.4840 0.56473 0.000 0.000 0.324 0.044 0.616 0.016
#> 06002 3 0.0260 0.78918 0.000 0.000 0.992 0.000 0.008 0.000
#> 08001 5 0.4602 0.41703 0.000 0.000 0.032 0.276 0.668 0.024
#> 08011 3 0.0146 0.78836 0.000 0.000 0.996 0.000 0.004 0.000
#> 08012 5 0.5077 0.44827 0.000 0.000 0.404 0.024 0.536 0.036
#> 08018 3 0.0777 0.77873 0.000 0.000 0.972 0.024 0.000 0.004
#> 08024 3 0.0146 0.78972 0.000 0.000 0.996 0.000 0.004 0.000
#> 09008 1 0.2048 0.85047 0.880 0.000 0.000 0.000 0.000 0.120
#> 09017 5 0.4736 0.21825 0.000 0.000 0.000 0.060 0.588 0.352
#> 11005 5 0.5611 0.56356 0.000 0.000 0.156 0.048 0.644 0.152
#> 12006 5 0.4628 0.49191 0.000 0.000 0.112 0.000 0.684 0.204
#> 12007 3 0.1387 0.76747 0.000 0.000 0.932 0.000 0.068 0.000
#> 12012 3 0.1644 0.76193 0.000 0.000 0.920 0.000 0.076 0.004
#> 12019 3 0.1152 0.76456 0.000 0.000 0.952 0.000 0.044 0.004
#> 12026 3 0.5137 0.42690 0.004 0.000 0.604 0.000 0.288 0.104
#> 14016 3 0.5992 0.24251 0.008 0.000 0.492 0.000 0.292 0.208
#> 15001 3 0.0146 0.78979 0.000 0.000 0.996 0.000 0.004 0.000
#> 15004 4 0.2730 0.68440 0.000 0.000 0.000 0.836 0.012 0.152
#> 15005 1 0.2350 0.85792 0.880 0.000 0.000 0.000 0.020 0.100
#> 16004 1 0.3481 0.73407 0.804 0.000 0.000 0.000 0.072 0.124
#> 16009 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 1 0.2412 0.82113 0.880 0.000 0.000 0.000 0.028 0.092
#> 20002 1 0.4148 0.41479 0.636 0.000 0.344 0.000 0.016 0.004
#> 22009 3 0.4705 0.49216 0.000 0.000 0.652 0.000 0.260 0.088
#> 22010 6 0.6170 -0.02911 0.000 0.292 0.000 0.152 0.036 0.520
#> 22011 5 0.4591 0.51524 0.000 0.000 0.372 0.020 0.592 0.016
#> 22013 3 0.3494 0.58986 0.000 0.000 0.736 0.000 0.252 0.012
#> 24001 5 0.5011 0.53697 0.000 0.000 0.348 0.040 0.588 0.024
#> 24005 4 0.3975 0.47784 0.000 0.000 0.000 0.716 0.244 0.040
#> 24008 3 0.1858 0.71349 0.000 0.000 0.904 0.000 0.092 0.004
#> 24010 5 0.4882 0.54028 0.000 0.000 0.352 0.000 0.576 0.072
#> 24011 3 0.0363 0.78888 0.000 0.000 0.988 0.000 0.012 0.000
#> 24017 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 1 0.4533 0.59311 0.704 0.000 0.000 0.000 0.140 0.156
#> 24019 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.4030 0.68696 0.000 0.000 0.000 0.756 0.140 0.104
#> 25003 5 0.5118 0.33120 0.000 0.000 0.404 0.000 0.512 0.084
#> 25006 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2442 0.70679 0.000 0.000 0.852 0.000 0.144 0.004
#> 26003 4 0.3914 0.69366 0.000 0.000 0.000 0.768 0.128 0.104
#> 26005 3 0.0000 0.78915 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 6 0.5391 -0.35920 0.000 0.000 0.000 0.432 0.112 0.456
#> 27004 4 0.3940 0.71388 0.000 0.000 0.000 0.764 0.096 0.140
#> 28001 6 0.6016 0.24626 0.048 0.000 0.000 0.144 0.228 0.580
#> 28003 4 0.3672 0.56361 0.000 0.000 0.000 0.688 0.008 0.304
#> 28005 4 0.3396 0.72057 0.000 0.000 0.000 0.812 0.072 0.116
#> 28006 4 0.4389 0.64706 0.000 0.000 0.000 0.660 0.052 0.288
#> 28007 4 0.2070 0.74363 0.000 0.000 0.000 0.908 0.044 0.048
#> 28019 1 0.2092 0.84686 0.876 0.000 0.000 0.000 0.000 0.124
#> 28021 1 0.2362 0.83482 0.860 0.000 0.000 0.004 0.000 0.136
#> 28023 4 0.2805 0.68646 0.000 0.000 0.000 0.812 0.004 0.184
#> 28024 4 0.1845 0.74005 0.000 0.000 0.000 0.920 0.052 0.028
#> 28028 4 0.1863 0.71580 0.000 0.000 0.000 0.920 0.044 0.036
#> 28031 4 0.3778 0.58430 0.000 0.000 0.000 0.708 0.020 0.272
#> 28032 4 0.1320 0.72844 0.000 0.000 0.000 0.948 0.016 0.036
#> 28035 1 0.2362 0.83482 0.860 0.000 0.000 0.004 0.000 0.136
#> 28036 4 0.3790 0.70424 0.000 0.000 0.000 0.780 0.104 0.116
#> 28037 1 0.2135 0.84427 0.872 0.000 0.000 0.000 0.000 0.128
#> 28042 4 0.2884 0.66833 0.000 0.004 0.000 0.824 0.008 0.164
#> 28043 4 0.3698 0.70758 0.000 0.000 0.000 0.788 0.096 0.116
#> 28044 4 0.4278 0.61041 0.000 0.000 0.000 0.632 0.032 0.336
#> 28047 4 0.1444 0.72817 0.000 0.000 0.000 0.928 0.000 0.072
#> 30001 1 0.1141 0.88225 0.948 0.000 0.000 0.000 0.000 0.052
#> 31007 4 0.4253 0.46595 0.000 0.000 0.000 0.672 0.044 0.284
#> 31011 4 0.4316 0.68189 0.000 0.000 0.000 0.728 0.144 0.128
#> 33005 1 0.0632 0.88929 0.976 0.000 0.000 0.000 0.000 0.024
#> 36001 1 0.0713 0.88848 0.972 0.000 0.000 0.000 0.000 0.028
#> 36002 5 0.5053 0.58858 0.000 0.000 0.140 0.140 0.692 0.028
#> 37013 5 0.4174 0.51627 0.000 0.000 0.092 0.000 0.736 0.172
#> 43001 5 0.5733 0.43523 0.048 0.000 0.116 0.000 0.616 0.220
#> 43004 6 0.5989 0.01864 0.040 0.000 0.000 0.284 0.124 0.552
#> 43007 3 0.4441 -0.12923 0.000 0.000 0.560 0.012 0.416 0.012
#> 43012 4 0.3398 0.62212 0.000 0.000 0.000 0.740 0.008 0.252
#> 48001 1 0.2020 0.85181 0.896 0.000 0.000 0.000 0.008 0.096
#> 49006 3 0.2454 0.60930 0.000 0.000 0.840 0.000 0.160 0.000
#> 57001 4 0.2697 0.71394 0.000 0.000 0.000 0.864 0.044 0.092
#> 62001 4 0.4386 0.62960 0.000 0.000 0.000 0.652 0.048 0.300
#> 62002 4 0.4953 0.60827 0.000 0.000 0.000 0.652 0.176 0.172
#> 62003 1 0.6025 0.15011 0.464 0.000 0.004 0.000 0.296 0.236
#> 63001 3 0.3749 0.55186 0.000 0.000 0.776 0.016 0.180 0.028
#> 64001 3 0.0363 0.78604 0.000 0.000 0.988 0.000 0.012 0.000
#> 64002 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0363 0.78577 0.000 0.000 0.988 0.000 0.012 0.000
#> 68001 1 0.0000 0.89141 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.5037 0.59430 0.000 0.000 0.112 0.068 0.716 0.104
#> 84004 5 0.5250 0.49235 0.000 0.000 0.076 0.220 0.660 0.044
#> LAL5 4 0.1549 0.72774 0.000 0.000 0.000 0.936 0.020 0.044
#> 01003 2 0.1863 0.82881 0.000 0.896 0.000 0.000 0.000 0.104
#> 01007 2 0.3023 0.80458 0.000 0.768 0.000 0.000 0.000 0.232
#> 02020 2 0.3446 0.77085 0.000 0.692 0.000 0.000 0.000 0.308
#> 04018 2 0.3050 0.80327 0.000 0.764 0.000 0.000 0.000 0.236
#> 09002 2 0.0458 0.82601 0.000 0.984 0.000 0.000 0.000 0.016
#> 10005 2 0.5802 0.30922 0.000 0.608 0.152 0.000 0.200 0.040
#> 11002 2 0.0790 0.82540 0.000 0.968 0.000 0.000 0.000 0.032
#> 12008 2 0.0937 0.82898 0.000 0.960 0.000 0.000 0.000 0.040
#> 15006 1 0.0622 0.88518 0.980 0.008 0.000 0.000 0.000 0.012
#> 16002 2 0.0146 0.83166 0.000 0.996 0.000 0.000 0.000 0.004
#> 16007 2 0.0260 0.82900 0.000 0.992 0.000 0.000 0.000 0.008
#> 17003 6 0.6600 -0.00329 0.332 0.256 0.000 0.000 0.028 0.384
#> 18001 2 0.0458 0.83152 0.000 0.984 0.000 0.000 0.000 0.016
#> 19002 2 0.3198 0.79401 0.000 0.740 0.000 0.000 0.000 0.260
#> 19008 2 0.0363 0.82760 0.000 0.988 0.000 0.000 0.000 0.012
#> 19014 2 0.3499 0.76010 0.000 0.680 0.000 0.000 0.000 0.320
#> 19017 2 0.1007 0.82356 0.000 0.956 0.000 0.000 0.000 0.044
#> 20005 2 0.0603 0.82862 0.000 0.980 0.000 0.004 0.000 0.016
#> 24006 2 0.3198 0.79563 0.000 0.740 0.000 0.000 0.000 0.260
#> 26009 1 0.0622 0.88518 0.980 0.008 0.000 0.000 0.000 0.012
#> 28008 2 0.0603 0.83041 0.000 0.980 0.000 0.004 0.000 0.016
#> 28009 2 0.3244 0.78844 0.000 0.732 0.000 0.000 0.000 0.268
#> 31015 2 0.1765 0.83082 0.000 0.904 0.000 0.000 0.000 0.096
#> 37001 2 0.3288 0.78411 0.000 0.724 0.000 0.000 0.000 0.276
#> 43006 2 0.0458 0.82601 0.000 0.984 0.000 0.000 0.000 0.016
#> 43015 2 0.0865 0.82715 0.000 0.964 0.000 0.000 0.000 0.036
#> 44001 2 0.3101 0.80163 0.000 0.756 0.000 0.000 0.000 0.244
#> 49004 2 0.0458 0.82601 0.000 0.984 0.000 0.000 0.000 0.016
#> 56007 2 0.0260 0.82900 0.000 0.992 0.000 0.000 0.000 0.008
#> 64005 2 0.3221 0.79492 0.000 0.736 0.000 0.000 0.000 0.264
#> 65003 2 0.3288 0.78304 0.000 0.724 0.000 0.000 0.000 0.276
#> 83001 2 0.3244 0.79730 0.000 0.732 0.000 0.000 0.000 0.268
#> LAL4 2 0.3499 0.76010 0.000 0.680 0.000 0.000 0.000 0.320
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:skmeans 121 0.555 0.791 2.66e-06 2
#> MAD:skmeans 128 0.181 0.994 1.47e-07 3
#> MAD:skmeans 126 0.238 0.597 7.68e-19 4
#> MAD:skmeans 103 0.455 0.858 6.71e-14 5
#> MAD:skmeans 106 0.434 0.793 4.34e-15 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "pam"]
# you can also extract it by
# res = res_list["MAD:pam"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.400 0.775 0.824 0.4797 0.497 0.497
#> 3 3 0.625 0.814 0.864 0.3767 0.746 0.531
#> 4 4 0.899 0.885 0.953 0.1294 0.805 0.502
#> 5 5 0.864 0.864 0.935 0.0536 0.935 0.758
#> 6 6 0.841 0.824 0.900 0.0227 0.985 0.930
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.1843 0.818 0.028 0.972
#> 01010 1 0.8813 0.834 0.700 0.300
#> 03002 2 0.2948 0.823 0.052 0.948
#> 04006 1 0.8909 0.832 0.692 0.308
#> 04007 2 0.0672 0.828 0.008 0.992
#> 04008 1 0.9209 0.827 0.664 0.336
#> 04010 1 0.8813 0.834 0.700 0.300
#> 04016 1 1.0000 0.525 0.500 0.500
#> 06002 1 0.8443 0.825 0.728 0.272
#> 08001 2 0.1633 0.838 0.024 0.976
#> 08011 2 0.1843 0.818 0.028 0.972
#> 08012 2 0.2423 0.820 0.040 0.960
#> 08018 2 0.4815 0.807 0.104 0.896
#> 08024 1 0.9286 0.824 0.656 0.344
#> 09008 1 0.8955 0.829 0.688 0.312
#> 09017 2 0.1843 0.839 0.028 0.972
#> 11005 2 0.0000 0.830 0.000 1.000
#> 12006 1 0.9922 0.694 0.552 0.448
#> 12007 2 0.1843 0.818 0.028 0.972
#> 12012 2 0.1843 0.818 0.028 0.972
#> 12019 1 0.9286 0.824 0.656 0.344
#> 12026 1 0.8267 0.820 0.740 0.260
#> 14016 1 0.9286 0.824 0.656 0.344
#> 15001 1 0.9286 0.824 0.656 0.344
#> 15004 2 0.2423 0.836 0.040 0.960
#> 15005 1 0.9000 0.827 0.684 0.316
#> 16004 1 0.7950 0.827 0.760 0.240
#> 16009 1 0.8207 0.820 0.744 0.256
#> 19005 1 0.8813 0.834 0.700 0.300
#> 20002 1 0.9286 0.824 0.656 0.344
#> 22009 1 0.9209 0.826 0.664 0.336
#> 22010 1 0.6801 0.672 0.820 0.180
#> 22011 2 0.1843 0.818 0.028 0.972
#> 22013 1 0.9286 0.824 0.656 0.344
#> 24001 2 0.1843 0.818 0.028 0.972
#> 24005 2 0.1843 0.839 0.028 0.972
#> 24008 2 0.3274 0.782 0.060 0.940
#> 24010 2 0.0376 0.830 0.004 0.996
#> 24011 1 0.9286 0.824 0.656 0.344
#> 24017 1 0.9209 0.827 0.664 0.336
#> 24018 1 0.8861 0.832 0.696 0.304
#> 24019 1 0.4815 0.732 0.896 0.104
#> 24022 2 0.1843 0.839 0.028 0.972
#> 25003 1 0.9427 0.814 0.640 0.360
#> 25006 1 0.7883 0.826 0.764 0.236
#> 26001 1 0.8861 0.831 0.696 0.304
#> 26003 2 0.1843 0.839 0.028 0.972
#> 26005 1 0.9286 0.824 0.656 0.344
#> 26008 1 0.8713 0.830 0.708 0.292
#> 27003 2 0.2236 0.837 0.036 0.964
#> 27004 2 0.1843 0.839 0.028 0.972
#> 28001 1 0.8608 0.814 0.716 0.284
#> 28003 1 0.5059 0.710 0.888 0.112
#> 28005 2 0.1843 0.839 0.028 0.972
#> 28006 2 0.1843 0.839 0.028 0.972
#> 28007 2 0.1843 0.839 0.028 0.972
#> 28019 1 0.8861 0.832 0.696 0.304
#> 28021 1 0.9000 0.827 0.684 0.316
#> 28023 2 0.1843 0.839 0.028 0.972
#> 28024 2 0.1843 0.839 0.028 0.972
#> 28028 2 0.0000 0.830 0.000 1.000
#> 28031 1 0.9248 0.815 0.660 0.340
#> 28032 2 0.1843 0.839 0.028 0.972
#> 28035 1 0.8909 0.831 0.692 0.308
#> 28036 2 0.1843 0.839 0.028 0.972
#> 28037 1 0.8386 0.830 0.732 0.268
#> 28042 2 0.7453 0.757 0.212 0.788
#> 28043 2 0.1843 0.839 0.028 0.972
#> 28044 2 0.1843 0.839 0.028 0.972
#> 28047 2 0.1843 0.839 0.028 0.972
#> 30001 1 0.8909 0.832 0.692 0.308
#> 31007 1 0.8713 0.820 0.708 0.292
#> 31011 2 0.1843 0.839 0.028 0.972
#> 33005 1 0.8499 0.834 0.724 0.276
#> 36001 1 0.8081 0.824 0.752 0.248
#> 36002 2 0.2043 0.820 0.032 0.968
#> 37013 2 0.3114 0.823 0.056 0.944
#> 43001 1 0.9286 0.824 0.656 0.344
#> 43004 1 0.9000 0.827 0.684 0.316
#> 43007 2 0.1843 0.818 0.028 0.972
#> 43012 2 0.5842 0.796 0.140 0.860
#> 48001 1 0.8909 0.831 0.692 0.308
#> 49006 2 0.1843 0.818 0.028 0.972
#> 57001 2 0.6148 0.799 0.152 0.848
#> 62001 2 0.2043 0.837 0.032 0.968
#> 62002 2 0.1843 0.839 0.028 0.972
#> 62003 1 0.9000 0.827 0.684 0.316
#> 63001 2 0.0000 0.830 0.000 1.000
#> 64001 2 0.1843 0.818 0.028 0.972
#> 64002 1 0.8081 0.817 0.752 0.248
#> 65005 2 0.0938 0.827 0.012 0.988
#> 68001 1 0.7602 0.820 0.780 0.220
#> 68003 2 0.0000 0.830 0.000 1.000
#> 84004 2 0.1843 0.839 0.028 0.972
#> LAL5 2 0.5737 0.798 0.136 0.864
#> 01003 2 0.9286 0.682 0.344 0.656
#> 01007 1 0.0000 0.685 1.000 0.000
#> 02020 1 0.0000 0.685 1.000 0.000
#> 04018 2 0.9286 0.682 0.344 0.656
#> 09002 2 0.9170 0.675 0.332 0.668
#> 10005 2 0.8555 0.700 0.280 0.720
#> 11002 2 0.9170 0.689 0.332 0.668
#> 12008 1 0.9866 -0.264 0.568 0.432
#> 15006 1 0.0376 0.685 0.996 0.004
#> 16002 2 0.9286 0.682 0.344 0.656
#> 16007 2 0.9286 0.682 0.344 0.656
#> 17003 1 0.0000 0.685 1.000 0.000
#> 18001 2 0.9286 0.682 0.344 0.656
#> 19002 1 0.0000 0.685 1.000 0.000
#> 19008 2 0.9286 0.682 0.344 0.656
#> 19014 1 0.0000 0.685 1.000 0.000
#> 19017 2 0.9286 0.682 0.344 0.656
#> 20005 2 0.9286 0.682 0.344 0.656
#> 24006 1 0.0000 0.685 1.000 0.000
#> 26009 1 0.0000 0.685 1.000 0.000
#> 28008 2 0.9286 0.682 0.344 0.656
#> 28009 1 0.0000 0.685 1.000 0.000
#> 31015 2 0.9358 0.680 0.352 0.648
#> 37001 1 0.0000 0.685 1.000 0.000
#> 43006 2 0.9000 0.679 0.316 0.684
#> 43015 2 0.9522 0.671 0.372 0.628
#> 44001 2 0.9850 0.607 0.428 0.572
#> 49004 2 0.9000 0.679 0.316 0.684
#> 56007 2 0.9286 0.682 0.344 0.656
#> 64005 1 0.0000 0.685 1.000 0.000
#> 65003 2 0.9286 0.682 0.344 0.656
#> 83001 1 0.0000 0.685 1.000 0.000
#> LAL4 1 0.1843 0.665 0.972 0.028
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.920 0.000 0.000 1.000
#> 01010 1 0.2680 0.791 0.924 0.008 0.068
#> 03002 3 0.2165 0.874 0.000 0.064 0.936
#> 04006 1 0.3116 0.775 0.892 0.000 0.108
#> 04007 3 0.0000 0.920 0.000 0.000 1.000
#> 04008 3 0.1753 0.907 0.048 0.000 0.952
#> 04010 1 0.3129 0.785 0.904 0.008 0.088
#> 04016 3 0.4551 0.819 0.132 0.024 0.844
#> 06002 3 0.1753 0.907 0.048 0.000 0.952
#> 08001 2 0.2796 0.901 0.000 0.908 0.092
#> 08011 3 0.0000 0.920 0.000 0.000 1.000
#> 08012 3 0.0000 0.920 0.000 0.000 1.000
#> 08018 3 0.0892 0.917 0.020 0.000 0.980
#> 08024 3 0.1753 0.907 0.048 0.000 0.952
#> 09008 1 0.3116 0.783 0.892 0.108 0.000
#> 09017 2 0.3375 0.899 0.044 0.908 0.048
#> 11005 2 0.2959 0.897 0.000 0.900 0.100
#> 12006 3 0.3802 0.845 0.032 0.080 0.888
#> 12007 3 0.0000 0.920 0.000 0.000 1.000
#> 12012 3 0.0237 0.920 0.004 0.000 0.996
#> 12019 3 0.1411 0.913 0.036 0.000 0.964
#> 12026 3 0.2050 0.906 0.020 0.028 0.952
#> 14016 3 0.3551 0.823 0.132 0.000 0.868
#> 15001 3 0.1753 0.907 0.048 0.000 0.952
#> 15004 2 0.3375 0.899 0.044 0.908 0.048
#> 15005 1 0.3375 0.779 0.892 0.008 0.100
#> 16004 1 0.0237 0.790 0.996 0.004 0.000
#> 16009 1 0.2959 0.780 0.900 0.000 0.100
#> 19005 1 0.6018 0.605 0.684 0.008 0.308
#> 20002 3 0.1753 0.907 0.048 0.000 0.952
#> 22009 1 0.5785 0.580 0.668 0.000 0.332
#> 22010 1 0.5785 0.543 0.668 0.332 0.000
#> 22011 3 0.0000 0.920 0.000 0.000 1.000
#> 22013 3 0.1753 0.907 0.048 0.000 0.952
#> 24001 3 0.0424 0.916 0.000 0.008 0.992
#> 24005 2 0.2796 0.901 0.000 0.908 0.092
#> 24008 3 0.1411 0.913 0.036 0.000 0.964
#> 24010 3 0.0000 0.920 0.000 0.000 1.000
#> 24011 3 0.1289 0.914 0.032 0.000 0.968
#> 24017 1 0.3116 0.775 0.892 0.000 0.108
#> 24018 1 0.3253 0.793 0.912 0.036 0.052
#> 24019 1 0.2711 0.785 0.912 0.000 0.088
#> 24022 2 0.3337 0.901 0.032 0.908 0.060
#> 25003 3 0.0000 0.920 0.000 0.000 1.000
#> 25006 1 0.0000 0.788 1.000 0.000 0.000
#> 26001 3 0.1753 0.907 0.048 0.000 0.952
#> 26003 2 0.2796 0.901 0.000 0.908 0.092
#> 26005 3 0.1753 0.907 0.048 0.000 0.952
#> 26008 1 0.3116 0.775 0.892 0.000 0.108
#> 27003 2 0.3375 0.899 0.044 0.908 0.048
#> 27004 2 0.2796 0.901 0.000 0.908 0.092
#> 28001 1 0.6180 0.633 0.660 0.332 0.008
#> 28003 1 0.5810 0.636 0.664 0.336 0.000
#> 28005 2 0.3375 0.899 0.044 0.908 0.048
#> 28006 2 0.3375 0.899 0.044 0.908 0.048
#> 28007 2 0.3375 0.899 0.044 0.908 0.048
#> 28019 1 0.3116 0.783 0.892 0.108 0.000
#> 28021 1 0.3116 0.783 0.892 0.108 0.000
#> 28023 2 0.3375 0.899 0.044 0.908 0.048
#> 28024 2 0.3043 0.902 0.008 0.908 0.084
#> 28028 2 0.2796 0.901 0.000 0.908 0.092
#> 28031 1 0.5785 0.641 0.668 0.332 0.000
#> 28032 2 0.2796 0.901 0.000 0.908 0.092
#> 28035 1 0.3116 0.783 0.892 0.108 0.000
#> 28036 2 0.2945 0.902 0.004 0.908 0.088
#> 28037 1 0.2448 0.792 0.924 0.076 0.000
#> 28042 2 0.2066 0.904 0.000 0.940 0.060
#> 28043 2 0.2796 0.901 0.000 0.908 0.092
#> 28044 2 0.3375 0.899 0.044 0.908 0.048
#> 28047 2 0.3375 0.899 0.044 0.908 0.048
#> 30001 1 0.3375 0.779 0.892 0.008 0.100
#> 31007 1 0.5785 0.641 0.668 0.332 0.000
#> 31011 2 0.2796 0.901 0.000 0.908 0.092
#> 33005 1 0.1950 0.794 0.952 0.008 0.040
#> 36001 1 0.3375 0.779 0.892 0.008 0.100
#> 36002 3 0.2878 0.839 0.000 0.096 0.904
#> 37013 3 0.6653 0.569 0.032 0.288 0.680
#> 43001 1 0.5810 0.574 0.664 0.000 0.336
#> 43004 1 0.7357 0.581 0.620 0.332 0.048
#> 43007 3 0.0000 0.920 0.000 0.000 1.000
#> 43012 2 0.3375 0.899 0.044 0.908 0.048
#> 48001 1 0.3375 0.784 0.892 0.100 0.008
#> 49006 3 0.0000 0.920 0.000 0.000 1.000
#> 57001 2 0.2492 0.901 0.016 0.936 0.048
#> 62001 2 0.3375 0.899 0.044 0.908 0.048
#> 62002 2 0.3375 0.899 0.044 0.908 0.048
#> 62003 1 0.6129 0.589 0.668 0.008 0.324
#> 63001 3 0.0000 0.920 0.000 0.000 1.000
#> 64001 3 0.0000 0.920 0.000 0.000 1.000
#> 64002 1 0.2796 0.784 0.908 0.000 0.092
#> 65005 3 0.0000 0.920 0.000 0.000 1.000
#> 68001 1 0.1964 0.792 0.944 0.000 0.056
#> 68003 2 0.2796 0.901 0.000 0.908 0.092
#> 84004 2 0.2796 0.901 0.000 0.908 0.092
#> LAL5 2 0.2796 0.901 0.000 0.908 0.092
#> 01003 2 0.3116 0.841 0.108 0.892 0.000
#> 01007 1 0.7413 0.623 0.684 0.092 0.224
#> 02020 1 0.5678 0.630 0.684 0.316 0.000
#> 04018 2 0.3116 0.841 0.108 0.892 0.000
#> 09002 3 0.8275 0.509 0.108 0.296 0.596
#> 10005 3 0.3888 0.847 0.048 0.064 0.888
#> 11002 2 0.2173 0.900 0.008 0.944 0.048
#> 12008 3 0.5811 0.751 0.108 0.092 0.800
#> 15006 1 0.2796 0.758 0.908 0.092 0.000
#> 16002 2 0.3116 0.841 0.108 0.892 0.000
#> 16007 2 0.3116 0.841 0.108 0.892 0.000
#> 17003 1 0.7011 0.662 0.720 0.092 0.188
#> 18001 2 0.3116 0.841 0.108 0.892 0.000
#> 19002 1 0.5678 0.630 0.684 0.316 0.000
#> 19008 2 0.3116 0.841 0.108 0.892 0.000
#> 19014 1 0.5678 0.630 0.684 0.316 0.000
#> 19017 2 0.3116 0.841 0.108 0.892 0.000
#> 20005 2 0.3116 0.841 0.108 0.892 0.000
#> 24006 1 0.5678 0.630 0.684 0.316 0.000
#> 26009 1 0.2796 0.758 0.908 0.092 0.000
#> 28008 2 0.3116 0.841 0.108 0.892 0.000
#> 28009 1 0.5678 0.630 0.684 0.316 0.000
#> 31015 2 0.3116 0.841 0.108 0.892 0.000
#> 37001 1 0.5678 0.630 0.684 0.316 0.000
#> 43006 2 0.3116 0.841 0.108 0.892 0.000
#> 43015 2 0.3846 0.831 0.108 0.876 0.016
#> 44001 2 0.3192 0.837 0.112 0.888 0.000
#> 49004 3 0.8619 0.340 0.108 0.368 0.524
#> 56007 2 0.3116 0.841 0.108 0.892 0.000
#> 64005 1 0.5678 0.630 0.684 0.316 0.000
#> 65003 2 0.3116 0.841 0.108 0.892 0.000
#> 83001 1 0.7444 0.627 0.684 0.096 0.220
#> LAL4 1 0.5678 0.630 0.684 0.316 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 03002 3 0.2647 0.8575 0.000 0.000 0.880 0.120
#> 04006 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 04008 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 04010 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 04016 3 0.1211 0.9359 0.000 0.000 0.960 0.040
#> 06002 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 08001 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 08011 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 09017 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 11005 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 12006 3 0.2704 0.8529 0.000 0.000 0.876 0.124
#> 12007 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 12026 3 0.1557 0.9185 0.000 0.056 0.944 0.000
#> 14016 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 15004 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 15005 1 0.4925 0.2495 0.572 0.000 0.428 0.000
#> 16004 1 0.0188 0.9709 0.996 0.004 0.000 0.000
#> 16009 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 19005 2 0.5267 0.6164 0.240 0.712 0.048 0.000
#> 20002 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 22009 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 22010 2 0.0336 0.9254 0.000 0.992 0.000 0.008
#> 22011 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 24018 2 0.4996 0.1146 0.484 0.516 0.000 0.000
#> 24019 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 27004 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28001 4 0.4356 0.5983 0.000 0.292 0.000 0.708
#> 28003 4 0.4543 0.5418 0.000 0.324 0.000 0.676
#> 28005 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28031 4 0.0188 0.9213 0.004 0.000 0.000 0.996
#> 28032 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28035 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 28042 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28043 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 31007 4 0.4250 0.6250 0.000 0.276 0.000 0.724
#> 31011 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 36002 3 0.3356 0.7917 0.000 0.000 0.824 0.176
#> 37013 3 0.4746 0.4449 0.000 0.000 0.632 0.368
#> 43001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 43004 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 43007 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 43012 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 48001 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 57001 4 0.1940 0.8695 0.000 0.076 0.000 0.924
#> 62001 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 62003 2 0.4776 0.3875 0.000 0.624 0.376 0.000
#> 63001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.9690 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.9751 1.000 0.000 0.000 0.000
#> 68003 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 84004 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> LAL5 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 01003 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 10005 3 0.2345 0.8728 0.000 0.100 0.900 0.000
#> 11002 4 0.0000 0.9242 0.000 0.000 0.000 1.000
#> 12008 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 15006 2 0.3486 0.7429 0.188 0.812 0.000 0.000
#> 16002 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 17003 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 18001 4 0.4994 0.1694 0.000 0.480 0.000 0.520
#> 19002 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 19008 4 0.4989 0.1965 0.000 0.472 0.000 0.528
#> 19014 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 20005 4 0.3610 0.7364 0.000 0.200 0.000 0.800
#> 24006 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 26009 2 0.4999 0.0632 0.492 0.508 0.000 0.000
#> 28008 4 0.3726 0.7215 0.000 0.212 0.000 0.788
#> 28009 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 43006 4 0.4855 0.3892 0.000 0.400 0.000 0.600
#> 43015 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> 83001 2 0.0000 0.9328 0.000 1.000 0.000 0.000
#> LAL4 2 0.0000 0.9328 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 01010 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 03002 3 0.2280 0.840 0.000 0.000 0.880 0.120 0.000
#> 04006 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 04008 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 04010 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.2077 0.892 0.000 0.000 0.920 0.040 0.040
#> 06002 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 08001 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 08011 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 08018 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 08024 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 09008 1 0.0290 0.927 0.992 0.000 0.000 0.000 0.008
#> 09017 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 11005 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 12006 3 0.3413 0.800 0.000 0.000 0.832 0.124 0.044
#> 12007 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 12012 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 12019 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 12026 3 0.1341 0.901 0.000 0.056 0.944 0.000 0.000
#> 14016 3 0.3707 0.549 0.000 0.000 0.716 0.000 0.284
#> 15001 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 15004 4 0.2966 0.800 0.000 0.000 0.000 0.816 0.184
#> 15005 5 0.3231 0.780 0.004 0.000 0.196 0.000 0.800
#> 16004 5 0.0609 0.823 0.020 0.000 0.000 0.000 0.980
#> 16009 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 19005 5 0.0609 0.823 0.020 0.000 0.000 0.000 0.980
#> 20002 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 22009 5 0.3143 0.774 0.000 0.000 0.204 0.000 0.796
#> 22010 2 0.0290 0.961 0.000 0.992 0.000 0.008 0.000
#> 22011 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 22013 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 24001 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 24005 4 0.2966 0.800 0.000 0.000 0.000 0.816 0.184
#> 24008 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 24010 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 24011 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 24017 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 24018 5 0.3143 0.761 0.204 0.000 0.000 0.000 0.796
#> 24019 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 25003 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 25006 5 0.3274 0.746 0.220 0.000 0.000 0.000 0.780
#> 26001 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 26003 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 26005 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 27003 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 27004 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28001 5 0.3109 0.746 0.000 0.000 0.000 0.200 0.800
#> 28003 5 0.0609 0.821 0.000 0.000 0.000 0.020 0.980
#> 28005 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28006 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28007 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28019 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0162 0.930 0.996 0.000 0.000 0.000 0.004
#> 28023 4 0.0162 0.902 0.000 0.000 0.000 0.996 0.004
#> 28024 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28028 4 0.2966 0.800 0.000 0.000 0.000 0.816 0.184
#> 28031 5 0.0510 0.822 0.000 0.000 0.000 0.016 0.984
#> 28032 4 0.2966 0.800 0.000 0.000 0.000 0.816 0.184
#> 28035 1 0.0162 0.930 0.996 0.000 0.000 0.000 0.004
#> 28036 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28037 1 0.0162 0.930 0.996 0.000 0.000 0.000 0.004
#> 28042 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28043 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 28044 4 0.0162 0.902 0.000 0.000 0.000 0.996 0.004
#> 28047 4 0.2230 0.845 0.000 0.000 0.000 0.884 0.116
#> 30001 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 31007 5 0.0404 0.822 0.000 0.000 0.000 0.012 0.988
#> 31011 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 33005 1 0.0290 0.926 0.992 0.000 0.000 0.000 0.008
#> 36001 5 0.3366 0.732 0.232 0.000 0.000 0.000 0.768
#> 36002 3 0.2891 0.770 0.000 0.000 0.824 0.176 0.000
#> 37013 3 0.4088 0.473 0.000 0.000 0.632 0.368 0.000
#> 43001 5 0.3109 0.778 0.000 0.000 0.200 0.000 0.800
#> 43004 5 0.3109 0.746 0.000 0.000 0.000 0.200 0.800
#> 43007 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 43012 4 0.3003 0.798 0.000 0.000 0.000 0.812 0.188
#> 48001 5 0.2929 0.776 0.180 0.000 0.000 0.000 0.820
#> 49006 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 57001 4 0.2790 0.841 0.000 0.068 0.000 0.880 0.052
#> 62001 4 0.0162 0.902 0.000 0.000 0.000 0.996 0.004
#> 62002 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 62003 5 0.3109 0.778 0.000 0.000 0.200 0.000 0.800
#> 63001 3 0.2424 0.835 0.000 0.000 0.868 0.000 0.132
#> 64001 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 64002 1 0.0000 0.932 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.949 0.000 0.000 1.000 0.000 0.000
#> 68001 1 0.3999 0.366 0.656 0.000 0.000 0.000 0.344
#> 68003 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 84004 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> LAL5 4 0.0000 0.904 0.000 0.000 0.000 1.000 0.000
#> 01003 2 0.0510 0.960 0.000 0.984 0.000 0.000 0.016
#> 01007 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 02020 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 10005 3 0.2464 0.839 0.000 0.096 0.888 0.000 0.016
#> 11002 4 0.0510 0.896 0.000 0.000 0.000 0.984 0.016
#> 12008 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 15006 2 0.2561 0.820 0.144 0.856 0.000 0.000 0.000
#> 16002 2 0.0290 0.964 0.000 0.992 0.000 0.000 0.008
#> 16007 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 17003 2 0.3949 0.536 0.000 0.668 0.000 0.000 0.332
#> 18001 4 0.4738 0.193 0.000 0.464 0.000 0.520 0.016
#> 19002 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 19008 4 0.4297 0.207 0.000 0.472 0.000 0.528 0.000
#> 19014 2 0.0703 0.956 0.000 0.976 0.000 0.000 0.024
#> 19017 2 0.0510 0.960 0.000 0.984 0.000 0.000 0.016
#> 20005 4 0.3456 0.751 0.000 0.184 0.000 0.800 0.016
#> 24006 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 26009 1 0.4306 -0.039 0.508 0.492 0.000 0.000 0.000
#> 28008 4 0.3562 0.739 0.000 0.196 0.000 0.788 0.016
#> 28009 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 31015 2 0.0510 0.960 0.000 0.984 0.000 0.000 0.016
#> 37001 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 43006 4 0.4182 0.404 0.000 0.400 0.000 0.600 0.000
#> 43015 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 44001 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 49004 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.967 0.000 1.000 0.000 0.000 0.000
#> 83001 2 0.0510 0.960 0.000 0.984 0.000 0.000 0.016
#> LAL4 2 0.3395 0.711 0.000 0.764 0.000 0.000 0.236
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 01010 1 0.3371 0.989 0.708 0.000 0.000 0.000 0.000 0.292
#> 03002 3 0.2048 0.835 0.000 0.000 0.880 0.120 0.000 0.000
#> 04006 6 0.0000 0.756 0.000 0.000 0.000 0.000 0.000 1.000
#> 04007 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 04008 3 0.1814 0.864 0.000 0.000 0.900 0.000 0.000 0.100
#> 04010 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 04016 3 0.1865 0.887 0.000 0.000 0.920 0.040 0.040 0.000
#> 06002 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 08001 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 08011 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 08012 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 08018 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 08024 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 09008 1 0.3468 0.988 0.712 0.000 0.000 0.000 0.004 0.284
#> 09017 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 11005 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 12006 3 0.3066 0.798 0.000 0.000 0.832 0.124 0.044 0.000
#> 12007 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 12012 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 12019 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 12026 3 0.1204 0.894 0.000 0.056 0.944 0.000 0.000 0.000
#> 14016 3 0.3330 0.547 0.000 0.000 0.716 0.000 0.284 0.000
#> 15001 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 15004 4 0.2823 0.785 0.000 0.000 0.000 0.796 0.204 0.000
#> 15005 5 0.3043 0.736 0.004 0.000 0.196 0.000 0.796 0.004
#> 16004 5 0.0000 0.786 0.000 0.000 0.000 0.000 1.000 0.000
#> 16009 6 0.0000 0.756 0.000 0.000 0.000 0.000 0.000 1.000
#> 19005 5 0.0000 0.786 0.000 0.000 0.000 0.000 1.000 0.000
#> 20002 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 22009 5 0.2823 0.731 0.000 0.000 0.204 0.000 0.796 0.000
#> 22010 2 0.0405 0.873 0.004 0.988 0.000 0.008 0.000 0.000
#> 22011 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 22013 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 24001 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 24005 4 0.2823 0.785 0.000 0.000 0.000 0.796 0.204 0.000
#> 24008 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 24010 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 24011 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 24017 1 0.3499 0.957 0.680 0.000 0.000 0.000 0.000 0.320
#> 24018 5 0.2823 0.685 0.000 0.000 0.000 0.000 0.796 0.204
#> 24019 6 0.0000 0.756 0.000 0.000 0.000 0.000 0.000 1.000
#> 24022 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 25003 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 25006 6 0.3672 0.291 0.000 0.000 0.000 0.000 0.368 0.632
#> 26001 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 26003 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 26005 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 26008 6 0.0000 0.756 0.000 0.000 0.000 0.000 0.000 1.000
#> 27003 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 27004 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28001 5 0.2823 0.682 0.000 0.000 0.000 0.204 0.796 0.000
#> 28003 5 0.0146 0.784 0.000 0.000 0.000 0.004 0.996 0.000
#> 28005 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28006 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28007 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28019 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 28021 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 28023 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28024 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28028 4 0.2793 0.788 0.000 0.000 0.000 0.800 0.200 0.000
#> 28031 5 0.0000 0.786 0.000 0.000 0.000 0.000 1.000 0.000
#> 28032 4 0.2823 0.785 0.000 0.000 0.000 0.796 0.204 0.000
#> 28035 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 28036 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 28042 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28043 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28044 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 28047 4 0.2219 0.828 0.000 0.000 0.000 0.864 0.136 0.000
#> 30001 1 0.3351 0.992 0.712 0.000 0.000 0.000 0.000 0.288
#> 31007 5 0.0000 0.786 0.000 0.000 0.000 0.000 1.000 0.000
#> 31011 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 1 0.3575 0.982 0.708 0.000 0.000 0.000 0.008 0.284
#> 36001 5 0.3163 0.647 0.004 0.000 0.000 0.000 0.764 0.232
#> 36002 3 0.2597 0.767 0.000 0.000 0.824 0.176 0.000 0.000
#> 37013 3 0.3672 0.476 0.000 0.000 0.632 0.368 0.000 0.000
#> 43001 5 0.2823 0.731 0.000 0.000 0.204 0.000 0.796 0.000
#> 43004 5 0.2793 0.685 0.000 0.000 0.000 0.200 0.800 0.000
#> 43007 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 43012 4 0.2823 0.785 0.000 0.000 0.000 0.796 0.204 0.000
#> 48001 5 0.2664 0.704 0.000 0.000 0.000 0.000 0.816 0.184
#> 49006 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 57001 4 0.2506 0.832 0.000 0.068 0.000 0.880 0.052 0.000
#> 62001 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 62002 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 62003 5 0.2933 0.733 0.004 0.000 0.200 0.000 0.796 0.000
#> 63001 3 0.2260 0.821 0.000 0.000 0.860 0.000 0.140 0.000
#> 64001 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 64002 6 0.0000 0.756 0.000 0.000 0.000 0.000 0.000 1.000
#> 65005 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> 68001 6 0.1204 0.729 0.000 0.000 0.000 0.000 0.056 0.944
#> 68003 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 84004 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> LAL5 4 0.0000 0.894 0.000 0.000 0.000 1.000 0.000 0.000
#> 01003 2 0.3330 0.716 0.284 0.716 0.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 02020 2 0.0146 0.877 0.004 0.996 0.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 09002 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 10005 3 0.3468 0.639 0.284 0.004 0.712 0.000 0.000 0.000
#> 11002 4 0.3351 0.691 0.288 0.000 0.000 0.712 0.000 0.000
#> 12008 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 15006 6 0.3620 0.473 0.000 0.352 0.000 0.000 0.000 0.648
#> 16002 2 0.3076 0.748 0.240 0.760 0.000 0.000 0.000 0.000
#> 16007 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 17003 2 0.6080 0.227 0.288 0.396 0.000 0.000 0.316 0.000
#> 18001 4 0.5667 0.409 0.288 0.192 0.000 0.520 0.000 0.000
#> 19002 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 19008 4 0.3860 0.252 0.000 0.472 0.000 0.528 0.000 0.000
#> 19014 2 0.3595 0.708 0.288 0.704 0.000 0.000 0.008 0.000
#> 19017 2 0.3330 0.716 0.284 0.716 0.000 0.000 0.000 0.000
#> 20005 4 0.3351 0.691 0.288 0.000 0.000 0.712 0.000 0.000
#> 24006 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 26009 6 0.3351 0.560 0.000 0.288 0.000 0.000 0.000 0.712
#> 28008 4 0.3758 0.679 0.284 0.016 0.000 0.700 0.000 0.000
#> 28009 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 31015 2 0.3351 0.714 0.288 0.712 0.000 0.000 0.000 0.000
#> 37001 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 4 0.3756 0.440 0.000 0.400 0.000 0.600 0.000 0.000
#> 43015 2 0.0146 0.877 0.004 0.996 0.000 0.000 0.000 0.000
#> 44001 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 49004 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 56007 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 64005 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.879 0.000 1.000 0.000 0.000 0.000 0.000
#> 83001 2 0.2762 0.777 0.196 0.804 0.000 0.000 0.000 0.000
#> LAL4 2 0.5756 0.470 0.272 0.508 0.000 0.000 0.220 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:pam 127 0.745 0.231 4.02e-01 2
#> MAD:pam 127 0.163 0.353 2.04e-03 3
#> MAD:pam 120 0.390 0.941 1.29e-14 4
#> MAD:pam 122 0.414 0.779 8.08e-14 5
#> MAD:pam 120 0.625 0.873 6.31e-13 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "mclust"]
# you can also extract it by
# res = res_list["MAD:mclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.524 0.919 0.907 0.3907 0.607 0.607
#> 3 3 0.459 0.635 0.752 0.5883 0.799 0.669
#> 4 4 0.906 0.930 0.966 0.2007 0.849 0.627
#> 5 5 0.822 0.843 0.875 0.0368 1.000 1.000
#> 6 6 0.776 0.682 0.825 0.0365 0.933 0.739
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.0000 0.914 1.000 0.000
#> 01010 1 0.7453 0.875 0.788 0.212
#> 03002 1 0.0000 0.914 1.000 0.000
#> 04006 1 0.7453 0.875 0.788 0.212
#> 04007 1 0.0376 0.915 0.996 0.004
#> 04008 1 0.0672 0.915 0.992 0.008
#> 04010 1 0.7453 0.875 0.788 0.212
#> 04016 1 0.1843 0.920 0.972 0.028
#> 06002 1 0.0000 0.914 1.000 0.000
#> 08001 1 0.3879 0.925 0.924 0.076
#> 08011 1 0.0000 0.914 1.000 0.000
#> 08012 1 0.0000 0.914 1.000 0.000
#> 08018 1 0.0000 0.914 1.000 0.000
#> 08024 1 0.0000 0.914 1.000 0.000
#> 09008 1 0.7453 0.875 0.788 0.212
#> 09017 1 0.3879 0.925 0.924 0.076
#> 11005 1 0.0000 0.914 1.000 0.000
#> 12006 1 0.0000 0.914 1.000 0.000
#> 12007 1 0.0000 0.914 1.000 0.000
#> 12012 1 0.0000 0.914 1.000 0.000
#> 12019 1 0.0000 0.914 1.000 0.000
#> 12026 1 0.3114 0.910 0.944 0.056
#> 14016 1 0.0672 0.916 0.992 0.008
#> 15001 1 0.0000 0.914 1.000 0.000
#> 15004 1 0.3879 0.925 0.924 0.076
#> 15005 1 0.5629 0.900 0.868 0.132
#> 16004 1 0.7453 0.875 0.788 0.212
#> 16009 1 0.7453 0.875 0.788 0.212
#> 19005 1 0.5629 0.900 0.868 0.132
#> 20002 1 0.4939 0.886 0.892 0.108
#> 22009 1 0.0000 0.914 1.000 0.000
#> 22010 2 0.9393 0.479 0.356 0.644
#> 22011 1 0.0000 0.914 1.000 0.000
#> 22013 1 0.0000 0.914 1.000 0.000
#> 24001 1 0.0938 0.917 0.988 0.012
#> 24005 1 0.3879 0.925 0.924 0.076
#> 24008 1 0.0000 0.914 1.000 0.000
#> 24010 1 0.0000 0.914 1.000 0.000
#> 24011 1 0.0000 0.914 1.000 0.000
#> 24017 1 0.7453 0.875 0.788 0.212
#> 24018 1 0.5629 0.900 0.868 0.132
#> 24019 1 0.7453 0.875 0.788 0.212
#> 24022 1 0.3879 0.925 0.924 0.076
#> 25003 1 0.0000 0.914 1.000 0.000
#> 25006 1 0.7453 0.875 0.788 0.212
#> 26001 1 0.0000 0.914 1.000 0.000
#> 26003 1 0.3879 0.925 0.924 0.076
#> 26005 1 0.0000 0.914 1.000 0.000
#> 26008 1 0.7453 0.875 0.788 0.212
#> 27003 1 0.4939 0.914 0.892 0.108
#> 27004 1 0.3879 0.925 0.924 0.076
#> 28001 1 0.6712 0.868 0.824 0.176
#> 28003 1 0.6623 0.872 0.828 0.172
#> 28005 1 0.3879 0.925 0.924 0.076
#> 28006 1 0.3879 0.925 0.924 0.076
#> 28007 1 0.3879 0.925 0.924 0.076
#> 28019 1 0.7453 0.875 0.788 0.212
#> 28021 1 0.6887 0.888 0.816 0.184
#> 28023 1 0.3879 0.925 0.924 0.076
#> 28024 1 0.3879 0.925 0.924 0.076
#> 28028 1 0.3879 0.925 0.924 0.076
#> 28031 1 0.3879 0.925 0.924 0.076
#> 28032 1 0.5408 0.905 0.876 0.124
#> 28035 1 0.7453 0.875 0.788 0.212
#> 28036 1 0.3879 0.925 0.924 0.076
#> 28037 1 0.7453 0.875 0.788 0.212
#> 28042 1 0.6973 0.855 0.812 0.188
#> 28043 1 0.3879 0.925 0.924 0.076
#> 28044 1 0.3879 0.925 0.924 0.076
#> 28047 1 0.3879 0.925 0.924 0.076
#> 30001 1 0.7453 0.875 0.788 0.212
#> 31007 1 0.6438 0.879 0.836 0.164
#> 31011 1 0.3879 0.925 0.924 0.076
#> 33005 1 0.7453 0.875 0.788 0.212
#> 36001 1 0.7453 0.875 0.788 0.212
#> 36002 1 0.3879 0.925 0.924 0.076
#> 37013 1 0.3879 0.925 0.924 0.076
#> 43001 1 0.0938 0.917 0.988 0.012
#> 43004 1 0.5629 0.900 0.868 0.132
#> 43007 1 0.0000 0.914 1.000 0.000
#> 43012 1 0.5629 0.900 0.868 0.132
#> 48001 1 0.7056 0.885 0.808 0.192
#> 49006 1 0.0000 0.914 1.000 0.000
#> 57001 1 0.4562 0.918 0.904 0.096
#> 62001 1 0.3879 0.925 0.924 0.076
#> 62002 1 0.3879 0.925 0.924 0.076
#> 62003 1 0.5629 0.900 0.868 0.132
#> 63001 1 0.0000 0.914 1.000 0.000
#> 64001 1 0.0000 0.914 1.000 0.000
#> 64002 1 0.7453 0.875 0.788 0.212
#> 65005 1 0.0000 0.914 1.000 0.000
#> 68001 1 0.7453 0.875 0.788 0.212
#> 68003 1 0.0000 0.914 1.000 0.000
#> 84004 1 0.3879 0.925 0.924 0.076
#> LAL5 1 0.5294 0.907 0.880 0.120
#> 01003 2 0.4022 0.980 0.080 0.920
#> 01007 2 0.4022 0.980 0.080 0.920
#> 02020 2 0.4022 0.980 0.080 0.920
#> 04018 2 0.4022 0.980 0.080 0.920
#> 09002 2 0.4022 0.980 0.080 0.920
#> 10005 2 0.7219 0.872 0.200 0.800
#> 11002 2 0.4022 0.980 0.080 0.920
#> 12008 2 0.4022 0.980 0.080 0.920
#> 15006 2 0.2603 0.885 0.044 0.956
#> 16002 2 0.4022 0.980 0.080 0.920
#> 16007 2 0.4022 0.980 0.080 0.920
#> 17003 2 0.4022 0.980 0.080 0.920
#> 18001 2 0.4022 0.980 0.080 0.920
#> 19002 2 0.4022 0.980 0.080 0.920
#> 19008 2 0.4022 0.980 0.080 0.920
#> 19014 2 0.4022 0.980 0.080 0.920
#> 19017 2 0.4022 0.980 0.080 0.920
#> 20005 2 0.4022 0.980 0.080 0.920
#> 24006 2 0.4022 0.980 0.080 0.920
#> 26009 2 0.2603 0.885 0.044 0.956
#> 28008 2 0.4022 0.980 0.080 0.920
#> 28009 2 0.4022 0.980 0.080 0.920
#> 31015 2 0.4022 0.980 0.080 0.920
#> 37001 2 0.4022 0.980 0.080 0.920
#> 43006 2 0.4022 0.980 0.080 0.920
#> 43015 2 0.4022 0.980 0.080 0.920
#> 44001 2 0.4022 0.980 0.080 0.920
#> 49004 2 0.4022 0.980 0.080 0.920
#> 56007 2 0.4022 0.980 0.080 0.920
#> 64005 2 0.4022 0.980 0.080 0.920
#> 65003 2 0.4022 0.980 0.080 0.920
#> 83001 2 0.4022 0.980 0.080 0.920
#> LAL4 2 0.4022 0.980 0.080 0.920
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.620 0.550 0.424 0.000 0.576
#> 01010 1 0.418 0.656 0.828 0.000 0.172
#> 03002 3 0.620 0.550 0.424 0.000 0.576
#> 04006 1 0.304 0.613 0.896 0.000 0.104
#> 04007 3 0.879 0.566 0.424 0.112 0.464
#> 04008 3 0.627 0.516 0.456 0.000 0.544
#> 04010 1 0.620 0.751 0.576 0.000 0.424
#> 04016 3 0.860 0.559 0.348 0.112 0.540
#> 06002 3 0.571 0.543 0.320 0.000 0.680
#> 08001 3 0.722 0.495 0.132 0.152 0.716
#> 08011 3 0.620 0.550 0.424 0.000 0.576
#> 08012 3 0.571 0.543 0.320 0.000 0.680
#> 08018 3 0.571 0.543 0.320 0.000 0.680
#> 08024 3 0.620 0.550 0.424 0.000 0.576
#> 09008 1 0.620 0.751 0.576 0.000 0.424
#> 09017 3 0.450 0.479 0.000 0.196 0.804
#> 11005 3 0.879 0.566 0.424 0.112 0.464
#> 12006 3 0.620 0.550 0.424 0.000 0.576
#> 12007 3 0.620 0.550 0.424 0.000 0.576
#> 12012 3 0.620 0.550 0.424 0.000 0.576
#> 12019 3 0.613 0.553 0.400 0.000 0.600
#> 12026 3 0.848 0.549 0.320 0.112 0.568
#> 14016 3 0.869 0.564 0.372 0.112 0.516
#> 15001 3 0.620 0.550 0.424 0.000 0.576
#> 15004 3 0.473 0.475 0.004 0.196 0.800
#> 15005 1 0.753 0.697 0.532 0.040 0.428
#> 16004 1 0.618 0.750 0.584 0.000 0.416
#> 16009 1 0.304 0.613 0.896 0.000 0.104
#> 19005 1 0.878 -0.417 0.468 0.112 0.420
#> 20002 3 0.629 0.469 0.468 0.000 0.532
#> 22009 3 0.590 0.550 0.352 0.000 0.648
#> 22010 2 0.690 0.112 0.016 0.544 0.440
#> 22011 3 0.618 0.552 0.416 0.000 0.584
#> 22013 3 0.620 0.550 0.424 0.000 0.576
#> 24001 3 0.878 0.567 0.416 0.112 0.472
#> 24005 3 0.450 0.479 0.000 0.196 0.804
#> 24008 3 0.620 0.550 0.424 0.000 0.576
#> 24010 3 0.620 0.550 0.424 0.000 0.576
#> 24011 3 0.620 0.550 0.424 0.000 0.576
#> 24017 1 0.304 0.613 0.896 0.000 0.104
#> 24018 1 0.659 0.743 0.568 0.008 0.424
#> 24019 1 0.304 0.613 0.896 0.000 0.104
#> 24022 3 0.450 0.479 0.000 0.196 0.804
#> 25003 3 0.620 0.550 0.424 0.000 0.576
#> 25006 1 0.445 0.665 0.808 0.000 0.192
#> 26001 3 0.586 0.549 0.344 0.000 0.656
#> 26003 3 0.450 0.479 0.000 0.196 0.804
#> 26005 3 0.620 0.550 0.424 0.000 0.576
#> 26008 1 0.304 0.613 0.896 0.000 0.104
#> 27003 3 0.473 0.475 0.004 0.196 0.800
#> 27004 3 0.450 0.479 0.000 0.196 0.804
#> 28001 3 0.578 0.430 0.032 0.200 0.768
#> 28003 3 0.541 0.450 0.020 0.200 0.780
#> 28005 3 0.450 0.479 0.000 0.196 0.804
#> 28006 3 0.450 0.479 0.000 0.196 0.804
#> 28007 3 0.450 0.479 0.000 0.196 0.804
#> 28019 1 0.620 0.751 0.576 0.000 0.424
#> 28021 1 0.620 0.751 0.576 0.000 0.424
#> 28023 3 0.549 0.448 0.024 0.196 0.780
#> 28024 3 0.450 0.479 0.000 0.196 0.804
#> 28028 3 0.450 0.479 0.000 0.196 0.804
#> 28031 3 0.522 0.460 0.016 0.196 0.788
#> 28032 3 0.455 0.475 0.000 0.200 0.800
#> 28035 1 0.620 0.751 0.576 0.000 0.424
#> 28036 3 0.450 0.479 0.000 0.196 0.804
#> 28037 1 0.620 0.751 0.576 0.000 0.424
#> 28042 3 0.496 0.466 0.008 0.200 0.792
#> 28043 3 0.450 0.479 0.000 0.196 0.804
#> 28044 3 0.584 0.428 0.036 0.196 0.768
#> 28047 3 0.450 0.479 0.000 0.196 0.804
#> 30001 1 0.620 0.751 0.576 0.000 0.424
#> 31007 3 0.522 0.460 0.016 0.196 0.788
#> 31011 3 0.450 0.479 0.000 0.196 0.804
#> 33005 1 0.620 0.751 0.576 0.000 0.424
#> 36001 1 0.620 0.751 0.576 0.000 0.424
#> 36002 3 0.704 0.506 0.128 0.144 0.728
#> 37013 3 0.848 0.549 0.320 0.112 0.568
#> 43001 3 0.749 0.565 0.408 0.040 0.552
#> 43004 3 0.954 -0.427 0.360 0.196 0.444
#> 43007 3 0.875 0.567 0.396 0.112 0.492
#> 43012 3 0.522 0.460 0.016 0.196 0.788
#> 48001 1 0.620 0.751 0.576 0.000 0.424
#> 49006 3 0.620 0.550 0.424 0.000 0.576
#> 57001 3 0.522 0.460 0.016 0.196 0.788
#> 62001 3 0.711 0.312 0.092 0.196 0.712
#> 62002 3 0.450 0.479 0.000 0.196 0.804
#> 62003 3 0.848 0.549 0.320 0.112 0.568
#> 63001 3 0.615 0.552 0.408 0.000 0.592
#> 64001 3 0.620 0.550 0.424 0.000 0.576
#> 64002 1 0.304 0.613 0.896 0.000 0.104
#> 65005 3 0.620 0.550 0.424 0.000 0.576
#> 68001 1 0.304 0.613 0.896 0.000 0.104
#> 68003 3 0.818 0.566 0.424 0.072 0.504
#> 84004 3 0.499 0.486 0.032 0.144 0.824
#> LAL5 3 0.450 0.479 0.000 0.196 0.804
#> 01003 2 0.000 0.959 0.000 1.000 0.000
#> 01007 2 0.000 0.959 0.000 1.000 0.000
#> 02020 2 0.000 0.959 0.000 1.000 0.000
#> 04018 2 0.000 0.959 0.000 1.000 0.000
#> 09002 2 0.103 0.934 0.000 0.976 0.024
#> 10005 2 0.263 0.861 0.000 0.916 0.084
#> 11002 2 0.000 0.959 0.000 1.000 0.000
#> 12008 2 0.245 0.872 0.000 0.924 0.076
#> 15006 2 0.455 0.694 0.200 0.800 0.000
#> 16002 2 0.000 0.959 0.000 1.000 0.000
#> 16007 2 0.000 0.959 0.000 1.000 0.000
#> 17003 2 0.000 0.959 0.000 1.000 0.000
#> 18001 2 0.000 0.959 0.000 1.000 0.000
#> 19002 2 0.000 0.959 0.000 1.000 0.000
#> 19008 2 0.000 0.959 0.000 1.000 0.000
#> 19014 2 0.000 0.959 0.000 1.000 0.000
#> 19017 2 0.000 0.959 0.000 1.000 0.000
#> 20005 2 0.000 0.959 0.000 1.000 0.000
#> 24006 2 0.000 0.959 0.000 1.000 0.000
#> 26009 2 0.455 0.694 0.200 0.800 0.000
#> 28008 2 0.000 0.959 0.000 1.000 0.000
#> 28009 2 0.000 0.959 0.000 1.000 0.000
#> 31015 2 0.000 0.959 0.000 1.000 0.000
#> 37001 2 0.000 0.959 0.000 1.000 0.000
#> 43006 2 0.000 0.959 0.000 1.000 0.000
#> 43015 2 0.000 0.959 0.000 1.000 0.000
#> 44001 2 0.000 0.959 0.000 1.000 0.000
#> 49004 2 0.000 0.959 0.000 1.000 0.000
#> 56007 2 0.000 0.959 0.000 1.000 0.000
#> 64005 2 0.000 0.959 0.000 1.000 0.000
#> 65003 2 0.000 0.959 0.000 1.000 0.000
#> 83001 2 0.000 0.959 0.000 1.000 0.000
#> LAL4 2 0.000 0.959 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 04007 3 0.2469 0.887 0.000 0.000 0.892 0.108
#> 04008 3 0.0592 0.964 0.016 0.000 0.984 0.000
#> 04010 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 06002 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 08001 3 0.3610 0.781 0.000 0.000 0.800 0.200
#> 08011 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 08018 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 08024 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 09008 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 09017 4 0.4804 0.791 0.000 0.072 0.148 0.780
#> 11005 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 12006 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 12007 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 12019 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 12026 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 14016 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 15001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 15004 4 0.2216 0.901 0.000 0.092 0.000 0.908
#> 15005 1 0.0817 0.963 0.976 0.000 0.000 0.024
#> 16004 1 0.0592 0.969 0.984 0.000 0.000 0.016
#> 16009 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 19005 1 0.5691 0.503 0.648 0.000 0.048 0.304
#> 20002 3 0.2081 0.901 0.084 0.000 0.916 0.000
#> 22009 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 22010 2 0.4998 -0.110 0.000 0.512 0.000 0.488
#> 22011 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 22013 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 24001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 24005 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 24008 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 24010 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 24011 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 24018 1 0.1637 0.928 0.940 0.000 0.000 0.060
#> 24019 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 25003 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 25006 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 26001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 26003 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 26005 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 27003 4 0.3444 0.832 0.000 0.184 0.000 0.816
#> 27004 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28001 4 0.3486 0.828 0.000 0.188 0.000 0.812
#> 28003 4 0.3444 0.832 0.000 0.184 0.000 0.816
#> 28005 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28006 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28007 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28019 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 28023 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28024 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28028 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28031 4 0.2469 0.892 0.000 0.108 0.000 0.892
#> 28032 4 0.0817 0.926 0.000 0.024 0.000 0.976
#> 28035 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 28036 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28037 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 28042 4 0.3610 0.815 0.000 0.200 0.000 0.800
#> 28043 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28044 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 28047 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 30001 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 31007 4 0.3444 0.832 0.000 0.184 0.000 0.816
#> 31011 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 36001 1 0.0592 0.969 0.984 0.000 0.000 0.016
#> 36002 3 0.2704 0.872 0.000 0.000 0.876 0.124
#> 37013 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 43001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 43004 4 0.3266 0.884 0.024 0.108 0.000 0.868
#> 43007 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 43012 4 0.2814 0.877 0.000 0.132 0.000 0.868
#> 48001 1 0.0592 0.969 0.984 0.000 0.000 0.016
#> 49006 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 57001 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 62001 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.935 0.000 0.000 0.000 1.000
#> 62003 3 0.4477 0.534 0.000 0.000 0.688 0.312
#> 63001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 64001 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 0.978 1.000 0.000 0.000 0.000
#> 68003 3 0.0000 0.976 0.000 0.000 1.000 0.000
#> 84004 3 0.2530 0.884 0.000 0.000 0.888 0.112
#> LAL5 4 0.2345 0.897 0.000 0.100 0.000 0.900
#> 01003 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 01007 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 09002 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 10005 2 0.3444 0.752 0.000 0.816 0.184 0.000
#> 11002 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 12008 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 15006 2 0.4012 0.742 0.184 0.800 0.000 0.016
#> 16002 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 16007 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 17003 2 0.0592 0.949 0.000 0.984 0.000 0.016
#> 18001 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 19002 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 19008 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 19014 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 19017 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 20005 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 26009 2 0.4012 0.742 0.184 0.800 0.000 0.016
#> 28008 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 28009 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 31015 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 37001 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 43006 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 43015 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 44001 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 49004 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 56007 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.963 0.000 1.000 0.000 0.000
#> 83001 2 0.0592 0.949 0.000 0.984 0.000 0.016
#> LAL4 2 0.0000 0.963 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.1851 0.8322 0.000 0.000 0.912 0.000 NA
#> 01010 1 0.3452 0.8290 0.756 0.000 0.000 0.000 NA
#> 03002 3 0.2329 0.8218 0.000 0.000 0.876 0.000 NA
#> 04006 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 04007 3 0.4183 0.7586 0.000 0.000 0.780 0.084 NA
#> 04008 3 0.2574 0.8403 0.012 0.000 0.876 0.000 NA
#> 04010 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 04016 3 0.3366 0.8211 0.000 0.000 0.784 0.004 NA
#> 06002 3 0.3508 0.8011 0.000 0.000 0.748 0.000 NA
#> 08001 3 0.6324 0.1787 0.000 0.000 0.432 0.412 NA
#> 08011 3 0.1608 0.8366 0.000 0.000 0.928 0.000 NA
#> 08012 3 0.4384 0.7606 0.000 0.000 0.660 0.016 NA
#> 08018 3 0.3796 0.7791 0.000 0.000 0.700 0.000 NA
#> 08024 3 0.0290 0.8483 0.000 0.000 0.992 0.000 NA
#> 09008 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 09017 4 0.3940 0.7878 0.000 0.044 0.136 0.808 NA
#> 11005 3 0.2813 0.8076 0.000 0.000 0.832 0.000 NA
#> 12006 3 0.2329 0.8342 0.000 0.000 0.876 0.000 NA
#> 12007 3 0.0404 0.8473 0.000 0.000 0.988 0.000 NA
#> 12012 3 0.1043 0.8509 0.000 0.000 0.960 0.000 NA
#> 12019 3 0.3177 0.8204 0.000 0.000 0.792 0.000 NA
#> 12026 3 0.3661 0.7887 0.000 0.000 0.724 0.000 NA
#> 14016 3 0.3612 0.7929 0.000 0.000 0.732 0.000 NA
#> 15001 3 0.0794 0.8468 0.000 0.000 0.972 0.000 NA
#> 15004 4 0.0609 0.9270 0.000 0.020 0.000 0.980 NA
#> 15005 1 0.5375 0.7338 0.668 0.000 0.000 0.176 NA
#> 16004 1 0.4779 0.8185 0.628 0.000 0.000 0.032 NA
#> 16009 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 19005 1 0.8577 0.2832 0.292 0.000 0.256 0.220 NA
#> 20002 3 0.2573 0.8391 0.016 0.000 0.880 0.000 NA
#> 22009 3 0.3636 0.7930 0.000 0.000 0.728 0.000 NA
#> 22010 2 0.4972 -0.0929 0.004 0.500 0.000 0.476 NA
#> 22011 3 0.2280 0.8435 0.000 0.000 0.880 0.000 NA
#> 22013 3 0.1043 0.8517 0.000 0.000 0.960 0.000 NA
#> 24001 3 0.3109 0.8265 0.000 0.000 0.800 0.000 NA
#> 24005 4 0.1043 0.9050 0.000 0.000 0.040 0.960 NA
#> 24008 3 0.0510 0.8493 0.000 0.000 0.984 0.000 NA
#> 24010 3 0.2773 0.8381 0.000 0.000 0.836 0.000 NA
#> 24011 3 0.0703 0.8458 0.000 0.000 0.976 0.000 NA
#> 24017 1 0.4262 0.8117 0.560 0.000 0.000 0.000 NA
#> 24018 1 0.5572 0.7411 0.644 0.000 0.000 0.164 NA
#> 24019 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 24022 4 0.0404 0.9307 0.000 0.000 0.000 0.988 NA
#> 25003 3 0.2966 0.8335 0.000 0.000 0.816 0.000 NA
#> 25006 1 0.4249 0.8137 0.568 0.000 0.000 0.000 NA
#> 26001 3 0.3424 0.8075 0.000 0.000 0.760 0.000 NA
#> 26003 4 0.0671 0.9299 0.000 0.004 0.000 0.980 NA
#> 26005 3 0.0290 0.8479 0.000 0.000 0.992 0.000 NA
#> 26008 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 27003 4 0.2890 0.8225 0.000 0.160 0.000 0.836 NA
#> 27004 4 0.0290 0.9310 0.000 0.000 0.000 0.992 NA
#> 28001 4 0.3556 0.8058 0.004 0.172 0.004 0.808 NA
#> 28003 4 0.3612 0.7946 0.004 0.184 0.000 0.796 NA
#> 28005 4 0.0162 0.9315 0.000 0.000 0.000 0.996 NA
#> 28006 4 0.0000 0.9316 0.000 0.000 0.000 1.000 NA
#> 28007 4 0.0000 0.9316 0.000 0.000 0.000 1.000 NA
#> 28019 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 28021 1 0.0404 0.8139 0.988 0.000 0.000 0.012 NA
#> 28023 4 0.0162 0.9316 0.000 0.000 0.000 0.996 NA
#> 28024 4 0.0000 0.9316 0.000 0.000 0.000 1.000 NA
#> 28028 4 0.0609 0.9295 0.000 0.000 0.000 0.980 NA
#> 28031 4 0.1243 0.9222 0.000 0.028 0.008 0.960 NA
#> 28032 4 0.1211 0.9246 0.000 0.016 0.000 0.960 NA
#> 28035 1 0.0162 0.8168 0.996 0.000 0.000 0.004 NA
#> 28036 4 0.0566 0.9306 0.000 0.004 0.000 0.984 NA
#> 28037 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 28042 4 0.3562 0.7830 0.000 0.196 0.000 0.788 NA
#> 28043 4 0.0404 0.9301 0.000 0.000 0.000 0.988 NA
#> 28044 4 0.0162 0.9316 0.000 0.000 0.000 0.996 NA
#> 28047 4 0.0000 0.9316 0.000 0.000 0.000 1.000 NA
#> 30001 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 31007 4 0.3203 0.8142 0.000 0.168 0.000 0.820 NA
#> 31011 4 0.0000 0.9316 0.000 0.000 0.000 1.000 NA
#> 33005 1 0.0000 0.8181 1.000 0.000 0.000 0.000 NA
#> 36001 1 0.3803 0.7626 0.804 0.000 0.000 0.140 NA
#> 36002 3 0.5510 0.6230 0.000 0.000 0.648 0.208 NA
#> 37013 3 0.4040 0.7879 0.000 0.000 0.712 0.012 NA
#> 43001 3 0.2773 0.8483 0.000 0.000 0.836 0.000 NA
#> 43004 4 0.2970 0.7756 0.168 0.004 0.000 0.828 NA
#> 43007 3 0.3586 0.8157 0.000 0.000 0.736 0.000 NA
#> 43012 4 0.2783 0.8586 0.004 0.116 0.000 0.868 NA
#> 48001 1 0.2450 0.8108 0.900 0.000 0.000 0.048 NA
#> 49006 3 0.2020 0.8283 0.000 0.000 0.900 0.000 NA
#> 57001 4 0.0609 0.9297 0.000 0.000 0.000 0.980 NA
#> 62001 4 0.0162 0.9316 0.000 0.000 0.000 0.996 NA
#> 62002 4 0.0162 0.9316 0.000 0.000 0.000 0.996 NA
#> 62003 3 0.6961 0.3877 0.000 0.008 0.416 0.296 NA
#> 63001 3 0.2074 0.8461 0.000 0.000 0.896 0.000 NA
#> 64001 3 0.1908 0.8309 0.000 0.000 0.908 0.000 NA
#> 64002 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 65005 3 0.1908 0.8309 0.000 0.000 0.908 0.000 NA
#> 68001 1 0.4256 0.8130 0.564 0.000 0.000 0.000 NA
#> 68003 3 0.2280 0.8233 0.000 0.000 0.880 0.000 NA
#> 84004 3 0.5680 0.5977 0.000 0.000 0.624 0.228 NA
#> LAL5 4 0.2046 0.8962 0.000 0.068 0.000 0.916 NA
#> 01003 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 01007 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 02020 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 04018 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 09002 2 0.0404 0.9544 0.000 0.988 0.000 0.000 NA
#> 10005 2 0.3863 0.7375 0.000 0.796 0.152 0.000 NA
#> 11002 2 0.0693 0.9491 0.000 0.980 0.000 0.012 NA
#> 12008 2 0.0404 0.9544 0.000 0.988 0.000 0.000 NA
#> 15006 2 0.3855 0.7554 0.032 0.800 0.000 0.008 NA
#> 16002 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 16007 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 17003 2 0.0955 0.9349 0.000 0.968 0.000 0.028 NA
#> 18001 2 0.0162 0.9567 0.000 0.996 0.000 0.004 NA
#> 19002 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 19008 2 0.0290 0.9558 0.000 0.992 0.000 0.000 NA
#> 19014 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 19017 2 0.0404 0.9544 0.000 0.988 0.000 0.000 NA
#> 20005 2 0.0162 0.9567 0.000 0.996 0.000 0.004 NA
#> 24006 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 26009 2 0.3855 0.7554 0.032 0.800 0.000 0.008 NA
#> 28008 2 0.0162 0.9567 0.000 0.996 0.000 0.004 NA
#> 28009 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 31015 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 37001 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 43006 2 0.0404 0.9544 0.000 0.988 0.000 0.000 NA
#> 43015 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 44001 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 49004 2 0.0404 0.9544 0.000 0.988 0.000 0.000 NA
#> 56007 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 64005 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 65003 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
#> 83001 2 0.0963 0.9310 0.000 0.964 0.000 0.036 NA
#> LAL4 2 0.0000 0.9582 0.000 1.000 0.000 0.000 NA
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3862 -0.6615 0.000 0.000 0.524 0.000 0.000 0.476
#> 01010 1 0.3727 0.3894 0.612 0.000 0.000 0.000 0.388 0.000
#> 03002 3 0.0713 0.5553 0.000 0.000 0.972 0.000 0.000 0.028
#> 04006 1 0.0632 0.8920 0.976 0.000 0.000 0.000 0.024 0.000
#> 04007 3 0.0891 0.5504 0.000 0.000 0.968 0.024 0.000 0.008
#> 04008 6 0.4553 0.8339 0.052 0.000 0.328 0.000 0.000 0.620
#> 04010 5 0.0458 0.8229 0.016 0.000 0.000 0.000 0.984 0.000
#> 04016 3 0.1863 0.5349 0.000 0.000 0.896 0.000 0.000 0.104
#> 06002 6 0.3782 0.8638 0.004 0.000 0.360 0.000 0.000 0.636
#> 08001 3 0.3756 0.3268 0.000 0.000 0.644 0.352 0.000 0.004
#> 08011 6 0.3869 0.6896 0.000 0.000 0.500 0.000 0.000 0.500
#> 08012 3 0.2912 0.4419 0.000 0.000 0.784 0.000 0.000 0.216
#> 08018 3 0.3288 0.3505 0.000 0.000 0.724 0.000 0.000 0.276
#> 08024 6 0.3789 0.8564 0.000 0.000 0.416 0.000 0.000 0.584
#> 09008 5 0.0146 0.8277 0.004 0.000 0.000 0.000 0.996 0.000
#> 09017 4 0.4509 0.5125 0.000 0.036 0.316 0.640 0.000 0.008
#> 11005 3 0.0146 0.5587 0.000 0.000 0.996 0.000 0.000 0.004
#> 12006 3 0.1714 0.5360 0.000 0.000 0.908 0.000 0.000 0.092
#> 12007 6 0.3810 0.8351 0.000 0.000 0.428 0.000 0.000 0.572
#> 12012 6 0.3684 0.8692 0.000 0.000 0.372 0.000 0.000 0.628
#> 12019 3 0.2664 0.4836 0.000 0.000 0.816 0.000 0.000 0.184
#> 12026 6 0.3405 0.7674 0.004 0.000 0.272 0.000 0.000 0.724
#> 14016 6 0.3448 0.7800 0.004 0.000 0.280 0.000 0.000 0.716
#> 15001 6 0.3789 0.8543 0.000 0.000 0.416 0.000 0.000 0.584
#> 15004 4 0.1245 0.8819 0.000 0.016 0.000 0.952 0.000 0.032
#> 15005 5 0.7122 0.3417 0.156 0.004 0.040 0.296 0.468 0.036
#> 16004 1 0.4543 0.3220 0.584 0.004 0.000 0.000 0.380 0.032
#> 16009 1 0.0632 0.8920 0.976 0.000 0.000 0.000 0.024 0.000
#> 19005 3 0.7709 0.0344 0.312 0.004 0.400 0.052 0.064 0.168
#> 20002 6 0.4593 0.8275 0.056 0.000 0.324 0.000 0.000 0.620
#> 22009 3 0.3531 0.2289 0.000 0.000 0.672 0.000 0.000 0.328
#> 22010 2 0.4897 0.2825 0.004 0.588 0.000 0.344 0.000 0.064
#> 22011 3 0.2416 0.5051 0.000 0.000 0.844 0.000 0.000 0.156
#> 22013 6 0.3717 0.8701 0.000 0.000 0.384 0.000 0.000 0.616
#> 24001 3 0.0260 0.5598 0.000 0.000 0.992 0.000 0.000 0.008
#> 24005 4 0.0260 0.8898 0.000 0.000 0.008 0.992 0.000 0.000
#> 24008 3 0.3864 -0.6911 0.000 0.000 0.520 0.000 0.000 0.480
#> 24010 3 0.0937 0.5515 0.000 0.000 0.960 0.000 0.000 0.040
#> 24011 6 0.3810 0.8328 0.000 0.000 0.428 0.000 0.000 0.572
#> 24017 1 0.1265 0.8809 0.948 0.000 0.008 0.000 0.044 0.000
#> 24018 5 0.6711 0.4089 0.244 0.016 0.012 0.144 0.544 0.040
#> 24019 1 0.0632 0.8920 0.976 0.000 0.000 0.000 0.024 0.000
#> 24022 4 0.0146 0.8923 0.000 0.000 0.000 0.996 0.000 0.004
#> 25003 3 0.1663 0.5378 0.000 0.000 0.912 0.000 0.000 0.088
#> 25006 1 0.1267 0.8760 0.940 0.000 0.000 0.000 0.060 0.000
#> 26001 6 0.3652 0.8411 0.004 0.000 0.324 0.000 0.000 0.672
#> 26003 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 26005 6 0.3737 0.8688 0.000 0.000 0.392 0.000 0.000 0.608
#> 26008 1 0.0632 0.8920 0.976 0.000 0.000 0.000 0.024 0.000
#> 27003 4 0.3144 0.7668 0.004 0.172 0.000 0.808 0.000 0.016
#> 27004 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 28001 4 0.5417 0.6521 0.004 0.200 0.032 0.680 0.064 0.020
#> 28003 4 0.3630 0.7542 0.004 0.176 0.000 0.780 0.000 0.040
#> 28005 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 28006 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 28007 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 28019 5 0.0146 0.8277 0.004 0.000 0.000 0.000 0.996 0.000
#> 28021 5 0.0146 0.8277 0.004 0.000 0.000 0.000 0.996 0.000
#> 28023 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 28024 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 28028 4 0.0937 0.8829 0.000 0.000 0.000 0.960 0.000 0.040
#> 28031 4 0.2239 0.8631 0.000 0.040 0.028 0.912 0.004 0.016
#> 28032 4 0.2801 0.8311 0.000 0.072 0.000 0.860 0.000 0.068
#> 28035 5 0.0603 0.8193 0.004 0.000 0.000 0.016 0.980 0.000
#> 28036 4 0.0260 0.8925 0.000 0.000 0.000 0.992 0.000 0.008
#> 28037 5 0.0146 0.8277 0.004 0.000 0.000 0.000 0.996 0.000
#> 28042 4 0.4766 0.6547 0.012 0.220 0.000 0.684 0.000 0.084
#> 28043 4 0.0146 0.8926 0.000 0.000 0.000 0.996 0.000 0.004
#> 28044 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 28047 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 30001 5 0.0458 0.8229 0.016 0.000 0.000 0.000 0.984 0.000
#> 31007 4 0.3727 0.7395 0.004 0.188 0.000 0.768 0.000 0.040
#> 31011 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 33005 5 0.0146 0.8277 0.004 0.000 0.000 0.000 0.996 0.000
#> 36001 5 0.5987 0.5127 0.168 0.004 0.000 0.172 0.608 0.048
#> 36002 3 0.3023 0.4165 0.000 0.000 0.768 0.232 0.000 0.000
#> 37013 3 0.2416 0.5042 0.000 0.000 0.844 0.000 0.000 0.156
#> 43001 3 0.4010 -0.4500 0.008 0.000 0.584 0.000 0.000 0.408
#> 43004 4 0.4700 -0.1139 0.000 0.028 0.008 0.492 0.472 0.000
#> 43007 3 0.0363 0.5611 0.000 0.000 0.988 0.000 0.000 0.012
#> 43012 4 0.3029 0.8092 0.004 0.120 0.000 0.840 0.000 0.036
#> 48001 5 0.3809 0.7052 0.104 0.004 0.000 0.048 0.812 0.032
#> 49006 3 0.3860 -0.6532 0.000 0.000 0.528 0.000 0.000 0.472
#> 57001 4 0.1588 0.8696 0.004 0.000 0.000 0.924 0.000 0.072
#> 62001 4 0.0000 0.8928 0.000 0.000 0.000 1.000 0.000 0.000
#> 62002 4 0.0146 0.8923 0.000 0.000 0.000 0.996 0.000 0.004
#> 62003 3 0.6849 0.3336 0.120 0.004 0.544 0.104 0.012 0.216
#> 63001 3 0.3789 -0.3075 0.000 0.000 0.584 0.000 0.000 0.416
#> 64001 3 0.3864 -0.6708 0.000 0.000 0.520 0.000 0.000 0.480
#> 64002 1 0.0632 0.8920 0.976 0.000 0.000 0.000 0.024 0.000
#> 65005 3 0.3864 -0.6708 0.000 0.000 0.520 0.000 0.000 0.480
#> 68001 1 0.0937 0.8872 0.960 0.000 0.000 0.000 0.040 0.000
#> 68003 3 0.0000 0.5596 0.000 0.000 1.000 0.000 0.000 0.000
#> 84004 3 0.3136 0.4169 0.000 0.000 0.768 0.228 0.000 0.004
#> LAL5 4 0.2401 0.8576 0.004 0.044 0.000 0.892 0.000 0.060
#> 01003 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 01007 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 02020 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 04018 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 09002 2 0.3315 0.8103 0.020 0.780 0.000 0.000 0.000 0.200
#> 10005 2 0.4564 0.7134 0.008 0.720 0.140 0.000 0.000 0.132
#> 11002 2 0.0909 0.9199 0.020 0.968 0.000 0.000 0.000 0.012
#> 12008 2 0.3566 0.7768 0.020 0.744 0.000 0.000 0.000 0.236
#> 15006 2 0.3942 0.7164 0.176 0.768 0.000 0.000 0.036 0.020
#> 16002 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 16007 2 0.0405 0.9244 0.004 0.988 0.000 0.000 0.000 0.008
#> 17003 2 0.1520 0.9005 0.008 0.948 0.000 0.008 0.016 0.020
#> 18001 2 0.0779 0.9216 0.008 0.976 0.000 0.008 0.000 0.008
#> 19002 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 19008 2 0.0909 0.9199 0.012 0.968 0.000 0.000 0.000 0.020
#> 19014 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 19017 2 0.2945 0.8438 0.020 0.824 0.000 0.000 0.000 0.156
#> 20005 2 0.0767 0.9218 0.008 0.976 0.000 0.004 0.000 0.012
#> 24006 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 26009 2 0.3942 0.7164 0.176 0.768 0.000 0.000 0.036 0.020
#> 28008 2 0.0767 0.9218 0.008 0.976 0.000 0.004 0.000 0.012
#> 28009 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 31015 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 37001 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 2 0.2945 0.8438 0.020 0.824 0.000 0.000 0.000 0.156
#> 43015 2 0.2445 0.8723 0.020 0.872 0.000 0.000 0.000 0.108
#> 44001 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 49004 2 0.2945 0.8438 0.020 0.824 0.000 0.000 0.000 0.156
#> 56007 2 0.0520 0.9236 0.008 0.984 0.000 0.000 0.000 0.008
#> 64005 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 65003 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
#> 83001 2 0.0458 0.9180 0.000 0.984 0.000 0.016 0.000 0.000
#> LAL4 2 0.0000 0.9263 0.000 1.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:mclust 127 0.364 0.164 4.90e-23 2
#> MAD:mclust 93 0.121 0.658 1.42e-13 3
#> MAD:mclust 127 0.107 0.564 1.06e-21 4
#> MAD:mclust 124 0.185 0.658 4.90e-21 5
#> MAD:mclust 106 0.565 0.916 2.76e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "NMF"]
# you can also extract it by
# res = res_list["MAD:NMF"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.459 0.721 0.880 0.4483 0.545 0.545
#> 3 3 0.812 0.893 0.941 0.4497 0.708 0.511
#> 4 4 0.902 0.898 0.952 0.1525 0.836 0.572
#> 5 5 0.775 0.751 0.868 0.0646 0.907 0.657
#> 6 6 0.727 0.656 0.800 0.0344 0.966 0.840
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 1 0.9850 0.1463 0.572 0.428
#> 01010 1 0.0000 0.8573 1.000 0.000
#> 03002 2 0.9635 0.4712 0.388 0.612
#> 04006 1 0.0000 0.8573 1.000 0.000
#> 04007 2 0.9686 0.4540 0.396 0.604
#> 04008 1 0.0000 0.8573 1.000 0.000
#> 04010 1 0.0000 0.8573 1.000 0.000
#> 04016 2 0.9608 0.4798 0.384 0.616
#> 06002 1 0.9552 0.3138 0.624 0.376
#> 08001 2 0.7219 0.7495 0.200 0.800
#> 08011 1 0.9970 -0.0180 0.532 0.468
#> 08012 2 0.6887 0.7619 0.184 0.816
#> 08018 2 0.7528 0.7351 0.216 0.784
#> 08024 1 0.9608 0.2916 0.616 0.384
#> 09008 1 0.0000 0.8573 1.000 0.000
#> 09017 2 0.7674 0.7267 0.224 0.776
#> 11005 2 0.7219 0.7495 0.200 0.800
#> 12006 2 0.9970 0.2469 0.468 0.532
#> 12007 2 0.9795 0.4055 0.416 0.584
#> 12012 1 1.0000 -0.1376 0.504 0.496
#> 12019 1 0.9970 -0.0181 0.532 0.468
#> 12026 1 0.0000 0.8573 1.000 0.000
#> 14016 1 0.0672 0.8520 0.992 0.008
#> 15001 1 0.7950 0.6010 0.760 0.240
#> 15004 2 0.0938 0.8394 0.012 0.988
#> 15005 1 0.0000 0.8573 1.000 0.000
#> 16004 1 0.0000 0.8573 1.000 0.000
#> 16009 1 0.0000 0.8573 1.000 0.000
#> 19005 1 0.0000 0.8573 1.000 0.000
#> 20002 1 0.0000 0.8573 1.000 0.000
#> 22009 2 0.9795 0.4056 0.416 0.584
#> 22010 2 0.0000 0.8421 0.000 1.000
#> 22011 2 0.9170 0.5764 0.332 0.668
#> 22013 1 0.6247 0.7183 0.844 0.156
#> 24001 2 0.9732 0.4357 0.404 0.596
#> 24005 2 0.6048 0.7852 0.148 0.852
#> 24008 2 0.9775 0.4158 0.412 0.588
#> 24010 2 0.9710 0.4450 0.400 0.600
#> 24011 1 0.9686 0.2559 0.604 0.396
#> 24017 1 0.0000 0.8573 1.000 0.000
#> 24018 1 0.0000 0.8573 1.000 0.000
#> 24019 1 0.0000 0.8573 1.000 0.000
#> 24022 2 0.0000 0.8421 0.000 1.000
#> 25003 2 0.9710 0.4450 0.400 0.600
#> 25006 1 0.0000 0.8573 1.000 0.000
#> 26001 1 0.0000 0.8573 1.000 0.000
#> 26003 2 0.0000 0.8421 0.000 1.000
#> 26005 1 0.8861 0.4837 0.696 0.304
#> 26008 1 0.0000 0.8573 1.000 0.000
#> 27003 2 0.3431 0.8237 0.064 0.936
#> 27004 2 0.0376 0.8413 0.004 0.996
#> 28001 2 0.7219 0.7495 0.200 0.800
#> 28003 2 0.0000 0.8421 0.000 1.000
#> 28005 2 0.6887 0.7617 0.184 0.816
#> 28006 2 0.5408 0.7983 0.124 0.876
#> 28007 2 0.5946 0.7875 0.144 0.856
#> 28019 1 0.0000 0.8573 1.000 0.000
#> 28021 1 0.0000 0.8573 1.000 0.000
#> 28023 2 0.2236 0.8330 0.036 0.964
#> 28024 2 0.5629 0.7941 0.132 0.868
#> 28028 2 0.0000 0.8421 0.000 1.000
#> 28031 2 0.7376 0.7428 0.208 0.792
#> 28032 2 0.0000 0.8421 0.000 1.000
#> 28035 1 0.0000 0.8573 1.000 0.000
#> 28036 2 0.0000 0.8421 0.000 1.000
#> 28037 1 0.0000 0.8573 1.000 0.000
#> 28042 2 0.0000 0.8421 0.000 1.000
#> 28043 2 0.0000 0.8421 0.000 1.000
#> 28044 2 0.7139 0.7527 0.196 0.804
#> 28047 2 0.0000 0.8421 0.000 1.000
#> 30001 1 0.0000 0.8573 1.000 0.000
#> 31007 2 0.3584 0.8225 0.068 0.932
#> 31011 2 0.7219 0.7495 0.200 0.800
#> 33005 1 0.0000 0.8573 1.000 0.000
#> 36001 1 0.0000 0.8573 1.000 0.000
#> 36002 2 0.9732 0.4357 0.404 0.596
#> 37013 2 0.9963 0.2608 0.464 0.536
#> 43001 1 0.0000 0.8573 1.000 0.000
#> 43004 1 0.6623 0.7004 0.828 0.172
#> 43007 2 0.7219 0.7495 0.200 0.800
#> 43012 2 0.0000 0.8421 0.000 1.000
#> 48001 1 0.0000 0.8573 1.000 0.000
#> 49006 2 0.9933 0.3001 0.452 0.548
#> 57001 2 0.1843 0.8354 0.028 0.972
#> 62001 2 0.8016 0.7121 0.244 0.756
#> 62002 2 0.7602 0.7309 0.220 0.780
#> 62003 1 0.0000 0.8573 1.000 0.000
#> 63001 2 0.7376 0.7427 0.208 0.792
#> 64001 1 0.9732 0.2306 0.596 0.404
#> 64002 1 0.0000 0.8573 1.000 0.000
#> 65005 2 0.9710 0.4450 0.400 0.600
#> 68001 1 0.0000 0.8573 1.000 0.000
#> 68003 2 0.8499 0.6625 0.276 0.724
#> 84004 2 0.4939 0.8057 0.108 0.892
#> LAL5 2 0.0000 0.8421 0.000 1.000
#> 01003 2 0.0000 0.8421 0.000 1.000
#> 01007 2 0.0000 0.8421 0.000 1.000
#> 02020 2 0.0000 0.8421 0.000 1.000
#> 04018 2 0.0000 0.8421 0.000 1.000
#> 09002 2 0.0000 0.8421 0.000 1.000
#> 10005 2 0.0000 0.8421 0.000 1.000
#> 11002 2 0.0000 0.8421 0.000 1.000
#> 12008 2 0.0000 0.8421 0.000 1.000
#> 15006 1 0.7219 0.6470 0.800 0.200
#> 16002 2 0.0000 0.8421 0.000 1.000
#> 16007 2 0.0000 0.8421 0.000 1.000
#> 17003 2 0.9866 0.0904 0.432 0.568
#> 18001 2 0.0000 0.8421 0.000 1.000
#> 19002 2 0.0000 0.8421 0.000 1.000
#> 19008 2 0.0000 0.8421 0.000 1.000
#> 19014 2 0.0000 0.8421 0.000 1.000
#> 19017 2 0.0000 0.8421 0.000 1.000
#> 20005 2 0.0000 0.8421 0.000 1.000
#> 24006 2 0.0000 0.8421 0.000 1.000
#> 26009 1 0.7219 0.6470 0.800 0.200
#> 28008 2 0.0000 0.8421 0.000 1.000
#> 28009 2 0.0000 0.8421 0.000 1.000
#> 31015 2 0.0000 0.8421 0.000 1.000
#> 37001 2 0.0000 0.8421 0.000 1.000
#> 43006 2 0.0000 0.8421 0.000 1.000
#> 43015 2 0.0000 0.8421 0.000 1.000
#> 44001 2 0.0000 0.8421 0.000 1.000
#> 49004 2 0.0000 0.8421 0.000 1.000
#> 56007 2 0.0000 0.8421 0.000 1.000
#> 64005 2 0.0000 0.8421 0.000 1.000
#> 65003 2 0.0000 0.8421 0.000 1.000
#> 83001 2 0.0000 0.8421 0.000 1.000
#> LAL4 2 0.0000 0.8421 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 3 0.0000 0.973 0.000 0.000 1.000
#> 01010 1 0.0592 0.942 0.988 0.000 0.012
#> 03002 3 0.0237 0.972 0.004 0.000 0.996
#> 04006 1 0.1163 0.937 0.972 0.000 0.028
#> 04007 3 0.0237 0.972 0.004 0.000 0.996
#> 04008 3 0.5948 0.391 0.360 0.000 0.640
#> 04010 1 0.0237 0.942 0.996 0.000 0.004
#> 04016 3 0.0000 0.973 0.000 0.000 1.000
#> 06002 3 0.0000 0.973 0.000 0.000 1.000
#> 08001 3 0.0747 0.965 0.016 0.000 0.984
#> 08011 3 0.0000 0.973 0.000 0.000 1.000
#> 08012 3 0.0000 0.973 0.000 0.000 1.000
#> 08018 3 0.0237 0.972 0.004 0.000 0.996
#> 08024 3 0.0000 0.973 0.000 0.000 1.000
#> 09008 1 0.0000 0.941 1.000 0.000 0.000
#> 09017 3 0.2793 0.909 0.028 0.044 0.928
#> 11005 3 0.0747 0.964 0.016 0.000 0.984
#> 12006 3 0.0747 0.965 0.016 0.000 0.984
#> 12007 3 0.0000 0.973 0.000 0.000 1.000
#> 12012 3 0.0000 0.973 0.000 0.000 1.000
#> 12019 3 0.0000 0.973 0.000 0.000 1.000
#> 12026 3 0.0000 0.973 0.000 0.000 1.000
#> 14016 3 0.0000 0.973 0.000 0.000 1.000
#> 15001 3 0.0000 0.973 0.000 0.000 1.000
#> 15004 2 0.2229 0.906 0.044 0.944 0.012
#> 15005 1 0.0000 0.941 1.000 0.000 0.000
#> 16004 1 0.0424 0.942 0.992 0.000 0.008
#> 16009 1 0.1289 0.934 0.968 0.000 0.032
#> 19005 1 0.1163 0.937 0.972 0.000 0.028
#> 20002 1 0.4842 0.719 0.776 0.000 0.224
#> 22009 3 0.0237 0.972 0.004 0.000 0.996
#> 22010 2 0.0000 0.914 0.000 1.000 0.000
#> 22011 3 0.0000 0.973 0.000 0.000 1.000
#> 22013 3 0.0000 0.973 0.000 0.000 1.000
#> 24001 3 0.0000 0.973 0.000 0.000 1.000
#> 24005 2 0.5787 0.824 0.068 0.796 0.136
#> 24008 3 0.0000 0.973 0.000 0.000 1.000
#> 24010 3 0.0592 0.968 0.012 0.000 0.988
#> 24011 3 0.0000 0.973 0.000 0.000 1.000
#> 24017 1 0.1031 0.939 0.976 0.000 0.024
#> 24018 1 0.0000 0.941 1.000 0.000 0.000
#> 24019 1 0.1031 0.939 0.976 0.000 0.024
#> 24022 2 0.3370 0.889 0.024 0.904 0.072
#> 25003 3 0.0237 0.972 0.004 0.000 0.996
#> 25006 1 0.0747 0.941 0.984 0.000 0.016
#> 26001 3 0.0237 0.970 0.004 0.000 0.996
#> 26003 2 0.6187 0.710 0.028 0.724 0.248
#> 26005 3 0.0000 0.973 0.000 0.000 1.000
#> 26008 1 0.1163 0.937 0.972 0.000 0.028
#> 27003 2 0.4058 0.883 0.076 0.880 0.044
#> 27004 2 0.3148 0.898 0.036 0.916 0.048
#> 28001 2 0.6590 0.796 0.132 0.756 0.112
#> 28003 2 0.2959 0.884 0.100 0.900 0.000
#> 28005 2 0.5554 0.844 0.112 0.812 0.076
#> 28006 2 0.4316 0.878 0.088 0.868 0.044
#> 28007 2 0.4683 0.850 0.140 0.836 0.024
#> 28019 1 0.0000 0.941 1.000 0.000 0.000
#> 28021 1 0.0000 0.941 1.000 0.000 0.000
#> 28023 2 0.3941 0.845 0.156 0.844 0.000
#> 28024 2 0.4683 0.850 0.140 0.836 0.024
#> 28028 2 0.6675 0.396 0.012 0.584 0.404
#> 28031 2 0.5012 0.797 0.204 0.788 0.008
#> 28032 2 0.2703 0.899 0.016 0.928 0.056
#> 28035 1 0.0237 0.939 0.996 0.004 0.000
#> 28036 2 0.3370 0.889 0.024 0.904 0.072
#> 28037 1 0.0000 0.941 1.000 0.000 0.000
#> 28042 2 0.1774 0.910 0.016 0.960 0.024
#> 28043 2 0.4810 0.838 0.028 0.832 0.140
#> 28044 2 0.5147 0.816 0.180 0.800 0.020
#> 28047 2 0.1411 0.909 0.036 0.964 0.000
#> 30001 1 0.0237 0.942 0.996 0.000 0.004
#> 31007 2 0.3295 0.885 0.096 0.896 0.008
#> 31011 2 0.5598 0.829 0.148 0.800 0.052
#> 33005 1 0.0237 0.942 0.996 0.000 0.004
#> 36001 1 0.0747 0.941 0.984 0.000 0.016
#> 36002 3 0.1031 0.959 0.024 0.000 0.976
#> 37013 3 0.0237 0.971 0.004 0.000 0.996
#> 43001 3 0.1163 0.951 0.028 0.000 0.972
#> 43004 1 0.5012 0.677 0.788 0.204 0.008
#> 43007 3 0.0237 0.972 0.004 0.000 0.996
#> 43012 2 0.1411 0.909 0.036 0.964 0.000
#> 48001 1 0.0237 0.942 0.996 0.000 0.004
#> 49006 3 0.0000 0.973 0.000 0.000 1.000
#> 57001 2 0.1860 0.905 0.052 0.948 0.000
#> 62001 2 0.5678 0.641 0.316 0.684 0.000
#> 62002 2 0.5536 0.831 0.144 0.804 0.052
#> 62003 1 0.6291 0.152 0.532 0.000 0.468
#> 63001 3 0.0000 0.973 0.000 0.000 1.000
#> 64001 3 0.0000 0.973 0.000 0.000 1.000
#> 64002 1 0.1031 0.939 0.976 0.000 0.024
#> 65005 3 0.0000 0.973 0.000 0.000 1.000
#> 68001 1 0.1031 0.939 0.976 0.000 0.024
#> 68003 3 0.0424 0.969 0.008 0.000 0.992
#> 84004 3 0.0829 0.965 0.012 0.004 0.984
#> LAL5 2 0.2773 0.901 0.024 0.928 0.048
#> 01003 2 0.0000 0.914 0.000 1.000 0.000
#> 01007 2 0.0000 0.914 0.000 1.000 0.000
#> 02020 2 0.0000 0.914 0.000 1.000 0.000
#> 04018 2 0.0000 0.914 0.000 1.000 0.000
#> 09002 2 0.6026 0.401 0.000 0.624 0.376
#> 10005 3 0.3551 0.839 0.000 0.132 0.868
#> 11002 2 0.0237 0.914 0.000 0.996 0.004
#> 12008 3 0.5327 0.643 0.000 0.272 0.728
#> 15006 1 0.4399 0.779 0.812 0.188 0.000
#> 16002 2 0.0000 0.914 0.000 1.000 0.000
#> 16007 2 0.0000 0.914 0.000 1.000 0.000
#> 17003 2 0.5706 0.491 0.320 0.680 0.000
#> 18001 2 0.0000 0.914 0.000 1.000 0.000
#> 19002 2 0.0000 0.914 0.000 1.000 0.000
#> 19008 2 0.0237 0.914 0.000 0.996 0.004
#> 19014 2 0.0000 0.914 0.000 1.000 0.000
#> 19017 2 0.1529 0.901 0.000 0.960 0.040
#> 20005 2 0.0000 0.914 0.000 1.000 0.000
#> 24006 2 0.0000 0.914 0.000 1.000 0.000
#> 26009 1 0.4291 0.818 0.840 0.152 0.008
#> 28008 2 0.0000 0.914 0.000 1.000 0.000
#> 28009 2 0.0000 0.914 0.000 1.000 0.000
#> 31015 2 0.0000 0.914 0.000 1.000 0.000
#> 37001 2 0.0000 0.914 0.000 1.000 0.000
#> 43006 2 0.1031 0.908 0.000 0.976 0.024
#> 43015 2 0.0237 0.914 0.000 0.996 0.004
#> 44001 2 0.0000 0.914 0.000 1.000 0.000
#> 49004 2 0.1031 0.908 0.000 0.976 0.024
#> 56007 2 0.0000 0.914 0.000 1.000 0.000
#> 64005 2 0.0000 0.914 0.000 1.000 0.000
#> 65003 2 0.0000 0.914 0.000 1.000 0.000
#> 83001 2 0.0000 0.914 0.000 1.000 0.000
#> LAL4 2 0.0000 0.914 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 03002 3 0.0592 0.961 0.000 0.000 0.984 0.016
#> 04006 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 04007 3 0.0707 0.959 0.000 0.000 0.980 0.020
#> 04008 3 0.4697 0.422 0.356 0.000 0.644 0.000
#> 04010 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 04016 3 0.0188 0.965 0.000 0.000 0.996 0.004
#> 06002 3 0.0336 0.962 0.000 0.008 0.992 0.000
#> 08001 4 0.4605 0.483 0.000 0.000 0.336 0.664
#> 08011 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 08012 3 0.0336 0.962 0.000 0.008 0.992 0.000
#> 08018 3 0.0336 0.962 0.000 0.008 0.992 0.000
#> 08024 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 09008 1 0.2814 0.832 0.868 0.000 0.000 0.132
#> 09017 4 0.1716 0.892 0.000 0.000 0.064 0.936
#> 11005 3 0.3801 0.726 0.000 0.000 0.780 0.220
#> 12006 3 0.1940 0.912 0.000 0.000 0.924 0.076
#> 12007 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 12012 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 12019 3 0.0188 0.965 0.000 0.000 0.996 0.004
#> 12026 3 0.1302 0.934 0.000 0.044 0.956 0.000
#> 14016 3 0.0469 0.959 0.000 0.012 0.988 0.000
#> 15001 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 15004 4 0.0336 0.936 0.000 0.008 0.000 0.992
#> 15005 1 0.3569 0.754 0.804 0.000 0.000 0.196
#> 16004 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 19005 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 20002 1 0.3356 0.771 0.824 0.000 0.176 0.000
#> 22009 3 0.0336 0.964 0.000 0.000 0.992 0.008
#> 22010 2 0.2081 0.905 0.000 0.916 0.000 0.084
#> 22011 3 0.0188 0.965 0.000 0.000 0.996 0.004
#> 22013 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 24001 3 0.0336 0.964 0.000 0.000 0.992 0.008
#> 24005 4 0.1042 0.928 0.000 0.008 0.020 0.972
#> 24008 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 24010 3 0.0921 0.953 0.000 0.000 0.972 0.028
#> 24011 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 24017 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 24018 1 0.2408 0.858 0.896 0.000 0.000 0.104
#> 24019 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 24022 4 0.0188 0.937 0.000 0.004 0.000 0.996
#> 25003 3 0.0592 0.961 0.000 0.000 0.984 0.016
#> 25006 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 26001 3 0.0336 0.962 0.000 0.008 0.992 0.000
#> 26003 4 0.0376 0.936 0.000 0.004 0.004 0.992
#> 26005 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 26008 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 27003 4 0.0336 0.936 0.000 0.008 0.000 0.992
#> 27004 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 28001 4 0.3249 0.840 0.000 0.140 0.008 0.852
#> 28003 4 0.2216 0.881 0.000 0.092 0.000 0.908
#> 28005 4 0.0188 0.935 0.000 0.000 0.004 0.996
#> 28006 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 28007 4 0.0188 0.937 0.000 0.004 0.000 0.996
#> 28019 1 0.4072 0.670 0.748 0.000 0.000 0.252
#> 28021 4 0.4277 0.596 0.280 0.000 0.000 0.720
#> 28023 4 0.0188 0.937 0.000 0.004 0.000 0.996
#> 28024 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 28028 4 0.1488 0.920 0.000 0.012 0.032 0.956
#> 28031 4 0.0336 0.936 0.000 0.008 0.000 0.992
#> 28032 4 0.1022 0.925 0.000 0.032 0.000 0.968
#> 28035 4 0.3764 0.711 0.216 0.000 0.000 0.784
#> 28036 4 0.0188 0.937 0.000 0.004 0.000 0.996
#> 28037 1 0.0707 0.920 0.980 0.000 0.000 0.020
#> 28042 4 0.3649 0.750 0.000 0.204 0.000 0.796
#> 28043 4 0.0376 0.936 0.000 0.004 0.004 0.992
#> 28044 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 28047 4 0.0336 0.936 0.000 0.008 0.000 0.992
#> 30001 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 31007 4 0.2973 0.828 0.000 0.144 0.000 0.856
#> 31011 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 33005 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 36002 4 0.2704 0.834 0.000 0.000 0.124 0.876
#> 37013 3 0.0469 0.963 0.000 0.000 0.988 0.012
#> 43001 3 0.1284 0.950 0.012 0.000 0.964 0.024
#> 43004 4 0.0336 0.934 0.008 0.000 0.000 0.992
#> 43007 3 0.0336 0.964 0.000 0.000 0.992 0.008
#> 43012 4 0.1211 0.921 0.000 0.040 0.000 0.960
#> 48001 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 49006 3 0.0469 0.963 0.000 0.000 0.988 0.012
#> 57001 2 0.4992 0.123 0.000 0.524 0.000 0.476
#> 62001 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 62002 4 0.0000 0.936 0.000 0.000 0.000 1.000
#> 62003 1 0.5597 0.116 0.516 0.000 0.464 0.020
#> 63001 3 0.0000 0.965 0.000 0.000 1.000 0.000
#> 64001 3 0.0188 0.965 0.000 0.000 0.996 0.004
#> 64002 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 65005 3 0.0188 0.965 0.000 0.000 0.996 0.004
#> 68001 1 0.0000 0.930 1.000 0.000 0.000 0.000
#> 68003 3 0.1474 0.934 0.000 0.000 0.948 0.052
#> 84004 3 0.3942 0.706 0.000 0.000 0.764 0.236
#> LAL5 4 0.1118 0.923 0.000 0.036 0.000 0.964
#> 01003 2 0.0469 0.953 0.000 0.988 0.000 0.012
#> 01007 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 02020 2 0.0336 0.953 0.000 0.992 0.000 0.008
#> 04018 2 0.0817 0.949 0.000 0.976 0.000 0.024
#> 09002 2 0.0817 0.939 0.000 0.976 0.024 0.000
#> 10005 2 0.4830 0.362 0.000 0.608 0.392 0.000
#> 11002 2 0.1557 0.931 0.000 0.944 0.000 0.056
#> 12008 2 0.1118 0.929 0.000 0.964 0.036 0.000
#> 15006 1 0.3123 0.799 0.844 0.156 0.000 0.000
#> 16002 2 0.0707 0.951 0.000 0.980 0.000 0.020
#> 16007 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 17003 2 0.0592 0.943 0.016 0.984 0.000 0.000
#> 18001 2 0.1211 0.941 0.000 0.960 0.000 0.040
#> 19002 2 0.0336 0.953 0.000 0.992 0.000 0.008
#> 19008 2 0.0336 0.953 0.000 0.992 0.000 0.008
#> 19014 2 0.0921 0.947 0.000 0.972 0.000 0.028
#> 19017 2 0.0336 0.948 0.000 0.992 0.008 0.000
#> 20005 2 0.1557 0.931 0.000 0.944 0.000 0.056
#> 24006 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 26009 1 0.1867 0.884 0.928 0.072 0.000 0.000
#> 28008 2 0.1867 0.918 0.000 0.928 0.000 0.072
#> 28009 2 0.0592 0.952 0.000 0.984 0.000 0.016
#> 31015 2 0.0707 0.951 0.000 0.980 0.000 0.020
#> 37001 2 0.0469 0.953 0.000 0.988 0.000 0.012
#> 43006 2 0.0469 0.952 0.000 0.988 0.000 0.012
#> 43015 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 44001 2 0.0336 0.953 0.000 0.992 0.000 0.008
#> 49004 2 0.0336 0.948 0.000 0.992 0.008 0.000
#> 56007 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> 65003 2 0.1118 0.944 0.000 0.964 0.000 0.036
#> 83001 2 0.0000 0.951 0.000 1.000 0.000 0.000
#> LAL4 2 0.0469 0.953 0.000 0.988 0.000 0.012
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0290 0.8576 0.000 0.000 0.992 0.000 0.008
#> 01010 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 03002 5 0.4380 0.4498 0.000 0.000 0.376 0.008 0.616
#> 04006 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0798 0.8555 0.000 0.000 0.976 0.008 0.016
#> 04008 3 0.4088 0.4055 0.368 0.000 0.632 0.000 0.000
#> 04010 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0609 0.8572 0.000 0.000 0.980 0.000 0.020
#> 06002 3 0.0451 0.8579 0.000 0.004 0.988 0.000 0.008
#> 08001 5 0.6035 0.4516 0.000 0.000 0.136 0.328 0.536
#> 08011 3 0.0162 0.8576 0.000 0.000 0.996 0.000 0.004
#> 08012 3 0.1538 0.8368 0.000 0.008 0.948 0.008 0.036
#> 08018 3 0.1990 0.8234 0.000 0.004 0.928 0.028 0.040
#> 08024 3 0.0404 0.8576 0.000 0.000 0.988 0.000 0.012
#> 09008 1 0.3844 0.7463 0.792 0.000 0.000 0.044 0.164
#> 09017 5 0.2193 0.6886 0.000 0.000 0.028 0.060 0.912
#> 11005 5 0.5130 0.6829 0.000 0.000 0.220 0.100 0.680
#> 12006 5 0.2969 0.7203 0.000 0.000 0.128 0.020 0.852
#> 12007 3 0.1908 0.8127 0.000 0.000 0.908 0.000 0.092
#> 12012 3 0.2471 0.7718 0.000 0.000 0.864 0.000 0.136
#> 12019 3 0.0955 0.8477 0.000 0.000 0.968 0.004 0.028
#> 12026 3 0.5449 0.2805 0.000 0.068 0.556 0.000 0.376
#> 14016 5 0.4354 0.5641 0.000 0.032 0.256 0.000 0.712
#> 15001 3 0.0609 0.8531 0.000 0.000 0.980 0.000 0.020
#> 15004 4 0.1041 0.8095 0.000 0.000 0.004 0.964 0.032
#> 15005 1 0.5161 0.3806 0.584 0.000 0.008 0.032 0.376
#> 16004 1 0.3353 0.7382 0.796 0.008 0.000 0.000 0.196
#> 16009 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.0290 0.8949 0.992 0.000 0.000 0.000 0.008
#> 20002 1 0.2358 0.8149 0.888 0.000 0.104 0.000 0.008
#> 22009 5 0.4126 0.3405 0.000 0.000 0.380 0.000 0.620
#> 22010 2 0.4029 0.6269 0.000 0.680 0.000 0.004 0.316
#> 22011 3 0.0510 0.8568 0.000 0.000 0.984 0.000 0.016
#> 22013 3 0.3730 0.5721 0.000 0.000 0.712 0.000 0.288
#> 24001 3 0.0510 0.8572 0.000 0.000 0.984 0.000 0.016
#> 24005 4 0.3115 0.7550 0.000 0.020 0.056 0.876 0.048
#> 24008 3 0.0404 0.8576 0.000 0.000 0.988 0.000 0.012
#> 24010 3 0.4403 0.1096 0.000 0.000 0.560 0.004 0.436
#> 24011 3 0.0290 0.8576 0.000 0.000 0.992 0.000 0.008
#> 24017 1 0.0162 0.8961 0.996 0.000 0.000 0.000 0.004
#> 24018 5 0.3087 0.6434 0.064 0.004 0.000 0.064 0.868
#> 24019 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.4262 0.2563 0.000 0.000 0.000 0.560 0.440
#> 25003 3 0.3143 0.6872 0.000 0.000 0.796 0.000 0.204
#> 25006 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.0963 0.8510 0.000 0.000 0.964 0.000 0.036
#> 26003 4 0.4403 0.2595 0.000 0.000 0.004 0.560 0.436
#> 26005 3 0.0000 0.8574 0.000 0.000 1.000 0.000 0.000
#> 26008 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 27003 5 0.3305 0.5723 0.000 0.000 0.000 0.224 0.776
#> 27004 4 0.1732 0.7958 0.000 0.000 0.000 0.920 0.080
#> 28001 5 0.2773 0.6176 0.000 0.000 0.000 0.164 0.836
#> 28003 4 0.0693 0.8115 0.000 0.012 0.000 0.980 0.008
#> 28005 4 0.3074 0.7168 0.000 0.000 0.000 0.804 0.196
#> 28006 4 0.4166 0.4810 0.000 0.000 0.004 0.648 0.348
#> 28007 4 0.0865 0.8114 0.000 0.004 0.000 0.972 0.024
#> 28019 1 0.2209 0.8549 0.912 0.000 0.000 0.056 0.032
#> 28021 1 0.3595 0.7707 0.816 0.000 0.000 0.140 0.044
#> 28023 4 0.0579 0.8115 0.000 0.008 0.000 0.984 0.008
#> 28024 4 0.0693 0.8120 0.000 0.008 0.000 0.980 0.012
#> 28028 4 0.3466 0.7297 0.000 0.028 0.076 0.856 0.040
#> 28031 4 0.1443 0.8086 0.004 0.000 0.004 0.948 0.044
#> 28032 4 0.1710 0.7987 0.000 0.016 0.004 0.940 0.040
#> 28035 1 0.4484 0.5472 0.668 0.000 0.000 0.308 0.024
#> 28036 4 0.2966 0.7281 0.000 0.000 0.000 0.816 0.184
#> 28037 1 0.1753 0.8693 0.936 0.000 0.000 0.032 0.032
#> 28042 4 0.2853 0.7450 0.000 0.076 0.004 0.880 0.040
#> 28043 4 0.1732 0.7956 0.000 0.000 0.000 0.920 0.080
#> 28044 4 0.3424 0.6696 0.000 0.000 0.000 0.760 0.240
#> 28047 4 0.0898 0.8123 0.000 0.008 0.000 0.972 0.020
#> 30001 1 0.0290 0.8952 0.992 0.000 0.000 0.000 0.008
#> 31007 4 0.3010 0.7265 0.000 0.000 0.004 0.824 0.172
#> 31011 4 0.4283 0.2205 0.000 0.000 0.000 0.544 0.456
#> 33005 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0290 0.8952 0.992 0.000 0.000 0.008 0.000
#> 36002 5 0.5624 0.2890 0.000 0.000 0.080 0.388 0.532
#> 37013 5 0.3171 0.7004 0.000 0.000 0.176 0.008 0.816
#> 43001 5 0.2886 0.7093 0.000 0.000 0.148 0.008 0.844
#> 43004 5 0.4307 -0.1234 0.000 0.000 0.000 0.496 0.504
#> 43007 3 0.1808 0.8303 0.000 0.004 0.936 0.020 0.040
#> 43012 4 0.0798 0.8102 0.000 0.016 0.000 0.976 0.008
#> 48001 1 0.1670 0.8739 0.936 0.000 0.000 0.012 0.052
#> 49006 3 0.1121 0.8459 0.000 0.000 0.956 0.000 0.044
#> 57001 4 0.3755 0.6703 0.012 0.140 0.000 0.816 0.032
#> 62001 4 0.3366 0.6768 0.000 0.000 0.000 0.768 0.232
#> 62002 5 0.3561 0.5338 0.000 0.000 0.000 0.260 0.740
#> 62003 5 0.1571 0.6970 0.000 0.004 0.060 0.000 0.936
#> 63001 3 0.1568 0.8336 0.000 0.000 0.944 0.020 0.036
#> 64001 3 0.0703 0.8544 0.000 0.000 0.976 0.000 0.024
#> 64002 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.1043 0.8487 0.000 0.000 0.960 0.000 0.040
#> 68001 1 0.0000 0.8970 1.000 0.000 0.000 0.000 0.000
#> 68003 5 0.5080 0.4708 0.000 0.000 0.368 0.044 0.588
#> 84004 3 0.5097 0.3285 0.000 0.000 0.624 0.056 0.320
#> LAL5 4 0.1471 0.7972 0.000 0.020 0.004 0.952 0.024
#> 01003 2 0.1082 0.9253 0.000 0.964 0.000 0.028 0.008
#> 01007 2 0.0404 0.9237 0.000 0.988 0.000 0.012 0.000
#> 02020 2 0.2074 0.8871 0.000 0.896 0.000 0.000 0.104
#> 04018 2 0.1908 0.9069 0.000 0.908 0.000 0.092 0.000
#> 09002 2 0.2433 0.8932 0.000 0.908 0.056 0.012 0.024
#> 10005 3 0.4743 0.0255 0.000 0.472 0.512 0.000 0.016
#> 11002 2 0.1877 0.9195 0.000 0.924 0.000 0.064 0.012
#> 12008 2 0.1952 0.8978 0.000 0.912 0.004 0.000 0.084
#> 15006 1 0.3109 0.7207 0.800 0.200 0.000 0.000 0.000
#> 16002 2 0.1478 0.9175 0.000 0.936 0.000 0.064 0.000
#> 16007 2 0.2864 0.8719 0.000 0.852 0.000 0.136 0.012
#> 17003 2 0.2389 0.8760 0.004 0.880 0.000 0.000 0.116
#> 18001 2 0.2179 0.9005 0.000 0.896 0.000 0.100 0.004
#> 19002 2 0.0566 0.9228 0.000 0.984 0.000 0.004 0.012
#> 19008 2 0.1740 0.9185 0.000 0.932 0.000 0.056 0.012
#> 19014 2 0.1740 0.9169 0.000 0.932 0.000 0.012 0.056
#> 19017 2 0.1018 0.9210 0.000 0.968 0.016 0.000 0.016
#> 20005 2 0.3663 0.7944 0.000 0.776 0.000 0.208 0.016
#> 24006 2 0.0963 0.9168 0.000 0.964 0.000 0.000 0.036
#> 26009 1 0.4074 0.4321 0.636 0.364 0.000 0.000 0.000
#> 28008 2 0.3366 0.7990 0.000 0.784 0.000 0.212 0.004
#> 28009 2 0.2233 0.9024 0.000 0.892 0.000 0.104 0.004
#> 31015 2 0.1830 0.9249 0.000 0.932 0.000 0.040 0.028
#> 37001 2 0.0912 0.9244 0.000 0.972 0.000 0.012 0.016
#> 43006 2 0.3994 0.8394 0.000 0.804 0.020 0.144 0.032
#> 43015 2 0.0609 0.9207 0.000 0.980 0.000 0.000 0.020
#> 44001 2 0.0162 0.9221 0.000 0.996 0.000 0.000 0.004
#> 49004 2 0.2825 0.8976 0.000 0.892 0.048 0.040 0.020
#> 56007 2 0.1282 0.9225 0.000 0.952 0.000 0.044 0.004
#> 64005 2 0.1478 0.9079 0.000 0.936 0.000 0.000 0.064
#> 65003 2 0.1493 0.9251 0.000 0.948 0.000 0.024 0.028
#> 83001 2 0.0865 0.9250 0.000 0.972 0.000 0.024 0.004
#> LAL4 2 0.1704 0.9079 0.000 0.928 0.000 0.004 0.068
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.1225 0.8109 0.000 0.000 0.952 0.000 0.036 0.012
#> 01010 1 0.0146 0.7706 0.996 0.000 0.000 0.000 0.000 0.004
#> 03002 5 0.3596 0.6066 0.000 0.000 0.216 0.008 0.760 0.016
#> 04006 1 0.1910 0.7052 0.892 0.000 0.000 0.000 0.000 0.108
#> 04007 3 0.1334 0.8119 0.000 0.000 0.948 0.000 0.032 0.020
#> 04008 3 0.4150 0.2208 0.392 0.000 0.592 0.000 0.000 0.016
#> 04010 1 0.1411 0.7670 0.936 0.000 0.000 0.000 0.004 0.060
#> 04016 6 0.6220 0.0141 0.044 0.000 0.416 0.064 0.020 0.456
#> 06002 3 0.1082 0.8097 0.000 0.000 0.956 0.000 0.004 0.040
#> 08001 5 0.4636 0.6373 0.000 0.000 0.096 0.128 0.740 0.036
#> 08011 3 0.0820 0.8111 0.000 0.000 0.972 0.000 0.012 0.016
#> 08012 3 0.0891 0.8090 0.000 0.000 0.968 0.008 0.000 0.024
#> 08018 3 0.2164 0.7817 0.000 0.008 0.908 0.028 0.000 0.056
#> 08024 3 0.2902 0.7050 0.000 0.000 0.800 0.000 0.004 0.196
#> 09008 1 0.5778 0.4925 0.608 0.000 0.000 0.048 0.228 0.116
#> 09017 5 0.1789 0.6372 0.000 0.000 0.000 0.032 0.924 0.044
#> 11005 5 0.4502 0.6389 0.000 0.000 0.140 0.100 0.740 0.020
#> 12006 5 0.2853 0.6499 0.000 0.000 0.072 0.012 0.868 0.048
#> 12007 3 0.2768 0.7481 0.000 0.000 0.832 0.000 0.156 0.012
#> 12012 3 0.2653 0.7588 0.000 0.000 0.844 0.000 0.144 0.012
#> 12019 3 0.2454 0.7995 0.000 0.000 0.884 0.008 0.020 0.088
#> 12026 3 0.5699 0.4656 0.000 0.016 0.584 0.000 0.224 0.176
#> 14016 5 0.4988 0.5396 0.000 0.012 0.132 0.000 0.676 0.180
#> 15001 3 0.0363 0.8085 0.000 0.000 0.988 0.000 0.000 0.012
#> 15004 4 0.3807 0.4362 0.000 0.000 0.000 0.628 0.004 0.368
#> 15005 1 0.6443 0.1438 0.428 0.000 0.016 0.028 0.404 0.124
#> 16004 6 0.5018 0.3176 0.372 0.000 0.000 0.004 0.068 0.556
#> 16009 1 0.0603 0.7658 0.980 0.000 0.000 0.000 0.004 0.016
#> 19005 6 0.5340 0.2762 0.408 0.000 0.056 0.004 0.016 0.516
#> 20002 1 0.3056 0.5704 0.804 0.000 0.184 0.000 0.008 0.004
#> 22009 5 0.5990 0.3298 0.000 0.008 0.336 0.020 0.520 0.116
#> 22010 2 0.5974 0.4692 0.000 0.556 0.000 0.024 0.196 0.224
#> 22011 3 0.4212 0.5767 0.000 0.000 0.688 0.000 0.048 0.264
#> 22013 3 0.4117 0.5156 0.000 0.000 0.672 0.000 0.296 0.032
#> 24001 3 0.4072 0.5390 0.004 0.000 0.684 0.004 0.016 0.292
#> 24005 4 0.5103 0.1336 0.000 0.008 0.048 0.500 0.004 0.440
#> 24008 3 0.2006 0.7854 0.000 0.000 0.892 0.000 0.004 0.104
#> 24010 5 0.6048 0.2729 0.000 0.000 0.356 0.008 0.444 0.192
#> 24011 3 0.1644 0.8127 0.000 0.000 0.932 0.000 0.028 0.040
#> 24017 1 0.0260 0.7675 0.992 0.000 0.000 0.000 0.000 0.008
#> 24018 5 0.6032 0.0923 0.172 0.004 0.000 0.008 0.484 0.332
#> 24019 1 0.0790 0.7718 0.968 0.000 0.000 0.000 0.000 0.032
#> 24022 5 0.4755 -0.0725 0.000 0.000 0.000 0.460 0.492 0.048
#> 25003 3 0.3905 0.5094 0.000 0.000 0.668 0.000 0.316 0.016
#> 25006 1 0.0713 0.7613 0.972 0.000 0.000 0.000 0.000 0.028
#> 26001 3 0.1863 0.8082 0.000 0.000 0.920 0.000 0.036 0.044
#> 26003 5 0.4152 0.0786 0.000 0.000 0.000 0.440 0.548 0.012
#> 26005 3 0.0603 0.8086 0.000 0.000 0.980 0.000 0.004 0.016
#> 26008 1 0.1610 0.7250 0.916 0.000 0.000 0.000 0.000 0.084
#> 27003 5 0.4269 0.5548 0.000 0.000 0.000 0.184 0.724 0.092
#> 27004 4 0.2948 0.7505 0.000 0.000 0.000 0.848 0.092 0.060
#> 28001 5 0.4459 0.5549 0.000 0.000 0.004 0.084 0.708 0.204
#> 28003 4 0.3937 0.6983 0.008 0.008 0.000 0.760 0.028 0.196
#> 28005 4 0.3409 0.6921 0.000 0.000 0.000 0.780 0.192 0.028
#> 28006 4 0.4695 0.6237 0.000 0.000 0.000 0.676 0.208 0.116
#> 28007 4 0.1498 0.7547 0.000 0.000 0.000 0.940 0.028 0.032
#> 28019 1 0.3668 0.7159 0.816 0.000 0.000 0.048 0.032 0.104
#> 28021 1 0.4489 0.6664 0.760 0.000 0.000 0.096 0.048 0.096
#> 28023 4 0.2734 0.7419 0.008 0.000 0.000 0.864 0.024 0.104
#> 28024 4 0.1152 0.7546 0.000 0.000 0.000 0.952 0.004 0.044
#> 28028 4 0.3817 0.6814 0.000 0.020 0.052 0.804 0.004 0.120
#> 28031 4 0.1837 0.7555 0.004 0.000 0.004 0.928 0.020 0.044
#> 28032 4 0.2680 0.7174 0.000 0.016 0.000 0.856 0.004 0.124
#> 28035 1 0.5048 0.5562 0.672 0.000 0.000 0.192 0.016 0.120
#> 28036 4 0.3457 0.6481 0.000 0.000 0.000 0.752 0.232 0.016
#> 28037 1 0.3350 0.7293 0.844 0.000 0.000 0.036 0.056 0.064
#> 28042 4 0.2221 0.7340 0.000 0.032 0.000 0.896 0.000 0.072
#> 28043 4 0.2868 0.7445 0.000 0.000 0.000 0.840 0.132 0.028
#> 28044 4 0.4989 0.4726 0.004 0.000 0.000 0.592 0.328 0.076
#> 28047 4 0.1320 0.7536 0.000 0.000 0.000 0.948 0.016 0.036
#> 30001 1 0.1757 0.7647 0.928 0.000 0.000 0.012 0.008 0.052
#> 31007 6 0.4395 -0.1329 0.000 0.000 0.000 0.404 0.028 0.568
#> 31011 4 0.5871 0.1029 0.000 0.000 0.000 0.408 0.396 0.196
#> 33005 1 0.0260 0.7714 0.992 0.000 0.000 0.000 0.000 0.008
#> 36001 1 0.3758 0.6578 0.740 0.004 0.000 0.024 0.000 0.232
#> 36002 5 0.5248 0.6020 0.000 0.000 0.088 0.160 0.688 0.064
#> 37013 5 0.3579 0.6390 0.000 0.000 0.120 0.008 0.808 0.064
#> 43001 5 0.4884 0.4577 0.008 0.000 0.060 0.000 0.608 0.324
#> 43004 5 0.4339 0.3279 0.004 0.000 0.000 0.316 0.648 0.032
#> 43007 3 0.1296 0.8071 0.000 0.000 0.952 0.012 0.004 0.032
#> 43012 4 0.2612 0.7461 0.000 0.008 0.000 0.868 0.016 0.108
#> 48001 1 0.5460 -0.1220 0.508 0.000 0.000 0.020 0.072 0.400
#> 49006 3 0.2146 0.7798 0.000 0.000 0.880 0.000 0.116 0.004
#> 57001 4 0.5138 0.5844 0.024 0.068 0.000 0.652 0.004 0.252
#> 62001 4 0.5447 0.5828 0.008 0.000 0.000 0.604 0.220 0.168
#> 62002 5 0.2679 0.6315 0.000 0.000 0.000 0.096 0.864 0.040
#> 62003 5 0.3275 0.6048 0.000 0.008 0.032 0.000 0.820 0.140
#> 63001 3 0.3867 0.6313 0.000 0.000 0.748 0.052 0.000 0.200
#> 64001 3 0.1124 0.8111 0.000 0.000 0.956 0.000 0.036 0.008
#> 64002 1 0.0632 0.7708 0.976 0.000 0.000 0.000 0.000 0.024
#> 65005 3 0.1564 0.8117 0.000 0.000 0.936 0.000 0.040 0.024
#> 68001 1 0.0363 0.7667 0.988 0.000 0.000 0.000 0.000 0.012
#> 68003 5 0.3833 0.6315 0.000 0.000 0.180 0.028 0.772 0.020
#> 84004 5 0.5241 0.3244 0.000 0.000 0.400 0.048 0.528 0.024
#> LAL5 4 0.3300 0.7284 0.000 0.012 0.000 0.816 0.024 0.148
#> 01003 2 0.0951 0.9056 0.000 0.968 0.000 0.008 0.004 0.020
#> 01007 2 0.0858 0.9044 0.000 0.968 0.000 0.004 0.000 0.028
#> 02020 2 0.3063 0.8475 0.000 0.840 0.000 0.000 0.068 0.092
#> 04018 2 0.2070 0.8949 0.000 0.908 0.000 0.044 0.000 0.048
#> 09002 2 0.2371 0.8837 0.000 0.900 0.052 0.016 0.000 0.032
#> 10005 3 0.5098 0.1014 0.000 0.424 0.512 0.012 0.000 0.052
#> 11002 2 0.3909 0.8173 0.000 0.772 0.000 0.076 0.004 0.148
#> 12008 2 0.1675 0.8985 0.000 0.936 0.008 0.000 0.032 0.024
#> 15006 1 0.4332 0.5189 0.700 0.228 0.000 0.000 0.000 0.072
#> 16002 2 0.1176 0.9035 0.000 0.956 0.000 0.020 0.000 0.024
#> 16007 2 0.3315 0.8567 0.000 0.832 0.008 0.068 0.000 0.092
#> 17003 2 0.3946 0.7731 0.000 0.756 0.000 0.000 0.076 0.168
#> 18001 2 0.2197 0.8972 0.000 0.900 0.000 0.056 0.000 0.044
#> 19002 2 0.1010 0.9068 0.000 0.960 0.000 0.000 0.004 0.036
#> 19008 2 0.1341 0.9043 0.000 0.948 0.000 0.028 0.000 0.024
#> 19014 2 0.2445 0.8726 0.000 0.872 0.000 0.000 0.020 0.108
#> 19017 2 0.1003 0.9047 0.000 0.964 0.004 0.000 0.004 0.028
#> 20005 2 0.3445 0.8164 0.000 0.796 0.000 0.156 0.000 0.048
#> 24006 2 0.0405 0.9055 0.000 0.988 0.000 0.000 0.004 0.008
#> 26009 1 0.3468 0.4625 0.712 0.284 0.000 0.000 0.004 0.000
#> 28008 2 0.3807 0.7625 0.000 0.756 0.000 0.192 0.000 0.052
#> 28009 2 0.2856 0.8689 0.000 0.856 0.000 0.076 0.000 0.068
#> 31015 2 0.2009 0.8942 0.000 0.904 0.000 0.004 0.008 0.084
#> 37001 2 0.1845 0.8985 0.000 0.916 0.000 0.008 0.004 0.072
#> 43006 2 0.3675 0.8444 0.000 0.816 0.036 0.104 0.000 0.044
#> 43015 2 0.1010 0.9028 0.000 0.960 0.000 0.000 0.004 0.036
#> 44001 2 0.0692 0.9061 0.000 0.976 0.000 0.004 0.000 0.020
#> 49004 2 0.2816 0.8756 0.000 0.876 0.060 0.028 0.000 0.036
#> 56007 2 0.1245 0.9043 0.000 0.952 0.000 0.016 0.000 0.032
#> 64005 2 0.1421 0.8995 0.000 0.944 0.000 0.000 0.028 0.028
#> 65003 2 0.1230 0.9082 0.000 0.956 0.000 0.008 0.008 0.028
#> 83001 2 0.0922 0.9072 0.000 0.968 0.000 0.004 0.004 0.024
#> LAL4 2 0.2776 0.8652 0.000 0.860 0.000 0.000 0.052 0.088
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> MAD:NMF 104 0.5323 0.570 9.69e-04 2
#> MAD:NMF 123 0.0924 0.806 1.49e-06 3
#> MAD:NMF 123 0.2875 0.729 1.55e-18 4
#> MAD:NMF 111 0.2734 0.633 9.14e-14 5
#> MAD:NMF 104 0.3512 0.682 6.27e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "hclust"]
# you can also extract it by
# res = res_list["ATC:hclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.356 0.732 0.830 0.418 0.514 0.514
#> 3 3 0.618 0.763 0.884 0.422 0.799 0.633
#> 4 4 0.548 0.630 0.837 0.118 0.957 0.891
#> 5 5 0.566 0.674 0.806 0.051 0.964 0.899
#> 6 6 0.603 0.606 0.775 0.056 0.943 0.828
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.8144 0.525 0.252 0.748
#> 01010 1 0.0000 0.698 1.000 0.000
#> 03002 2 0.2043 0.860 0.032 0.968
#> 04006 1 0.0000 0.698 1.000 0.000
#> 04007 2 0.0000 0.875 0.000 1.000
#> 04008 1 0.6247 0.795 0.844 0.156
#> 04010 1 0.0000 0.698 1.000 0.000
#> 04016 2 0.0938 0.871 0.012 0.988
#> 06002 1 0.8713 0.813 0.708 0.292
#> 08001 2 0.0000 0.875 0.000 1.000
#> 08011 2 0.6973 0.657 0.188 0.812
#> 08012 2 0.0938 0.871 0.012 0.988
#> 08018 1 0.8909 0.802 0.692 0.308
#> 08024 1 0.8443 0.821 0.728 0.272
#> 09008 1 0.6247 0.795 0.844 0.156
#> 09017 1 0.9970 0.513 0.532 0.468
#> 11005 2 0.9775 -0.102 0.412 0.588
#> 12006 1 0.8443 0.821 0.728 0.272
#> 12007 2 0.8207 0.515 0.256 0.744
#> 12012 1 0.8763 0.810 0.704 0.296
#> 12019 1 0.8443 0.821 0.728 0.272
#> 12026 1 0.0000 0.698 1.000 0.000
#> 14016 1 0.0000 0.698 1.000 0.000
#> 15001 1 0.9000 0.794 0.684 0.316
#> 15004 1 0.9044 0.792 0.680 0.320
#> 15005 1 0.8499 0.818 0.724 0.276
#> 16004 1 0.0000 0.698 1.000 0.000
#> 16009 1 0.0000 0.698 1.000 0.000
#> 19005 1 0.8327 0.822 0.736 0.264
#> 20002 1 0.6247 0.795 0.844 0.156
#> 22009 1 0.7602 0.820 0.780 0.220
#> 22010 1 0.8909 0.802 0.692 0.308
#> 22011 2 0.2948 0.844 0.052 0.948
#> 22013 1 0.7602 0.820 0.780 0.220
#> 24001 2 0.2948 0.844 0.052 0.948
#> 24005 2 0.0000 0.875 0.000 1.000
#> 24008 2 0.0000 0.875 0.000 1.000
#> 24010 2 0.0000 0.875 0.000 1.000
#> 24011 1 0.8327 0.823 0.736 0.264
#> 24017 1 0.0000 0.698 1.000 0.000
#> 24018 1 0.7602 0.820 0.780 0.220
#> 24019 1 0.0000 0.698 1.000 0.000
#> 24022 2 0.0000 0.875 0.000 1.000
#> 25003 1 0.8955 0.800 0.688 0.312
#> 25006 1 0.0000 0.698 1.000 0.000
#> 26001 1 0.7602 0.820 0.780 0.220
#> 26003 2 0.0000 0.875 0.000 1.000
#> 26005 1 0.8713 0.813 0.708 0.292
#> 26008 1 0.0000 0.698 1.000 0.000
#> 27003 1 0.9044 0.792 0.680 0.320
#> 27004 2 0.0000 0.875 0.000 1.000
#> 28001 1 0.7674 0.821 0.776 0.224
#> 28003 1 0.8443 0.821 0.728 0.272
#> 28005 2 0.0000 0.875 0.000 1.000
#> 28006 2 0.0000 0.875 0.000 1.000
#> 28007 2 0.0000 0.875 0.000 1.000
#> 28019 1 0.0000 0.698 1.000 0.000
#> 28021 1 0.6801 0.805 0.820 0.180
#> 28023 2 0.0000 0.875 0.000 1.000
#> 28024 2 0.0000 0.875 0.000 1.000
#> 28028 2 0.0000 0.875 0.000 1.000
#> 28031 1 0.9044 0.792 0.680 0.320
#> 28032 2 0.0000 0.875 0.000 1.000
#> 28035 1 0.6247 0.795 0.844 0.156
#> 28036 2 0.0000 0.875 0.000 1.000
#> 28037 1 0.6247 0.795 0.844 0.156
#> 28042 1 0.9909 0.582 0.556 0.444
#> 28043 2 0.8267 0.482 0.260 0.740
#> 28044 1 0.9896 0.571 0.560 0.440
#> 28047 2 0.0000 0.875 0.000 1.000
#> 30001 1 0.0000 0.698 1.000 0.000
#> 31007 1 0.8499 0.814 0.724 0.276
#> 31011 2 0.3879 0.819 0.076 0.924
#> 33005 1 0.6247 0.795 0.844 0.156
#> 36001 1 0.7674 0.821 0.776 0.224
#> 36002 2 0.1843 0.862 0.028 0.972
#> 37013 1 0.8499 0.818 0.724 0.276
#> 43001 1 0.8443 0.821 0.728 0.272
#> 43004 1 0.8327 0.823 0.736 0.264
#> 43007 2 0.0376 0.874 0.004 0.996
#> 43012 1 0.9044 0.792 0.680 0.320
#> 48001 1 0.8081 0.823 0.752 0.248
#> 49006 2 0.2778 0.847 0.048 0.952
#> 57001 1 0.9988 0.465 0.520 0.480
#> 62001 2 0.2043 0.860 0.032 0.968
#> 62002 1 0.9988 0.465 0.520 0.480
#> 62003 1 0.7602 0.820 0.780 0.220
#> 63001 2 0.0000 0.875 0.000 1.000
#> 64001 2 0.0000 0.875 0.000 1.000
#> 64002 1 0.0000 0.698 1.000 0.000
#> 65005 2 0.0000 0.875 0.000 1.000
#> 68001 1 0.0000 0.698 1.000 0.000
#> 68003 1 0.9922 0.552 0.552 0.448
#> 84004 2 0.0000 0.875 0.000 1.000
#> LAL5 2 0.9963 -0.308 0.464 0.536
#> 01003 2 0.9993 -0.381 0.484 0.516
#> 01007 1 0.8955 0.799 0.688 0.312
#> 02020 1 0.8144 0.823 0.748 0.252
#> 04018 2 0.9993 -0.381 0.484 0.516
#> 09002 1 0.9954 0.543 0.540 0.460
#> 10005 2 0.0000 0.875 0.000 1.000
#> 11002 2 0.0000 0.875 0.000 1.000
#> 12008 1 0.8861 0.805 0.696 0.304
#> 15006 1 0.0000 0.698 1.000 0.000
#> 16002 2 0.1843 0.863 0.028 0.972
#> 16007 2 0.1843 0.863 0.028 0.972
#> 17003 1 0.8955 0.801 0.688 0.312
#> 18001 2 0.1184 0.869 0.016 0.984
#> 19002 1 0.8443 0.821 0.728 0.272
#> 19008 2 0.8327 0.472 0.264 0.736
#> 19014 1 0.9000 0.795 0.684 0.316
#> 19017 2 0.0672 0.872 0.008 0.992
#> 20005 2 0.0000 0.875 0.000 1.000
#> 24006 1 0.8443 0.821 0.728 0.272
#> 26009 1 0.0000 0.698 1.000 0.000
#> 28008 2 0.0000 0.875 0.000 1.000
#> 28009 1 0.8955 0.798 0.688 0.312
#> 31015 1 0.9608 0.702 0.616 0.384
#> 37001 1 0.8443 0.821 0.728 0.272
#> 43006 2 0.0000 0.875 0.000 1.000
#> 43015 2 0.9866 -0.185 0.432 0.568
#> 44001 1 0.9608 0.702 0.616 0.384
#> 49004 2 0.1843 0.863 0.028 0.972
#> 56007 2 0.9983 -0.354 0.476 0.524
#> 64005 1 0.8386 0.822 0.732 0.268
#> 65003 1 0.9044 0.792 0.680 0.320
#> 83001 1 0.9896 0.571 0.560 0.440
#> LAL4 1 0.9000 0.795 0.684 0.316
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.6225 0.1565 0.000 0.568 0.432
#> 01010 1 0.0237 0.8263 0.996 0.000 0.004
#> 03002 2 0.2878 0.8540 0.000 0.904 0.096
#> 04006 1 0.0237 0.8263 0.996 0.000 0.004
#> 04007 2 0.0000 0.9072 0.000 1.000 0.000
#> 04008 1 0.6308 0.2489 0.508 0.000 0.492
#> 04010 1 0.0424 0.8244 0.992 0.000 0.008
#> 04016 2 0.0592 0.9057 0.000 0.988 0.012
#> 06002 3 0.2356 0.8660 0.000 0.072 0.928
#> 08001 2 0.0000 0.9072 0.000 1.000 0.000
#> 08011 2 0.4931 0.6771 0.000 0.768 0.232
#> 08012 2 0.0592 0.9057 0.000 0.988 0.012
#> 08018 3 0.2711 0.8658 0.000 0.088 0.912
#> 08024 3 0.1753 0.8613 0.000 0.048 0.952
#> 09008 1 0.6308 0.2489 0.508 0.000 0.492
#> 09017 3 0.5692 0.7230 0.008 0.268 0.724
#> 11005 2 0.6244 0.1202 0.000 0.560 0.440
#> 12006 3 0.1753 0.8613 0.000 0.048 0.952
#> 12007 2 0.6252 0.1092 0.000 0.556 0.444
#> 12012 3 0.2356 0.8660 0.000 0.072 0.928
#> 12019 3 0.1753 0.8613 0.000 0.048 0.952
#> 12026 3 0.6180 0.1188 0.416 0.000 0.584
#> 14016 3 0.6180 0.1188 0.416 0.000 0.584
#> 15001 3 0.2878 0.8625 0.000 0.096 0.904
#> 15004 3 0.2959 0.8635 0.000 0.100 0.900
#> 15005 3 0.3237 0.8503 0.032 0.056 0.912
#> 16004 3 0.6215 0.0995 0.428 0.000 0.572
#> 16009 1 0.0237 0.8263 0.996 0.000 0.004
#> 19005 3 0.1765 0.8574 0.004 0.040 0.956
#> 20002 1 0.6308 0.2489 0.508 0.000 0.492
#> 22009 3 0.0592 0.8259 0.012 0.000 0.988
#> 22010 3 0.2711 0.8653 0.000 0.088 0.912
#> 22011 2 0.2625 0.8690 0.000 0.916 0.084
#> 22013 3 0.0592 0.8259 0.012 0.000 0.988
#> 24001 2 0.2625 0.8690 0.000 0.916 0.084
#> 24005 2 0.0000 0.9072 0.000 1.000 0.000
#> 24008 2 0.0000 0.9072 0.000 1.000 0.000
#> 24010 2 0.0000 0.9072 0.000 1.000 0.000
#> 24011 3 0.1529 0.8581 0.000 0.040 0.960
#> 24017 1 0.0237 0.8263 0.996 0.000 0.004
#> 24018 3 0.0592 0.8259 0.012 0.000 0.988
#> 24019 1 0.0237 0.8263 0.996 0.000 0.004
#> 24022 2 0.0000 0.9072 0.000 1.000 0.000
#> 25003 3 0.2796 0.8662 0.000 0.092 0.908
#> 25006 1 0.0237 0.8263 0.996 0.000 0.004
#> 26001 3 0.0592 0.8259 0.012 0.000 0.988
#> 26003 2 0.0237 0.9073 0.000 0.996 0.004
#> 26005 3 0.2356 0.8660 0.000 0.072 0.928
#> 26008 1 0.0237 0.8263 0.996 0.000 0.004
#> 27003 3 0.2959 0.8635 0.000 0.100 0.900
#> 27004 2 0.0000 0.9072 0.000 1.000 0.000
#> 28001 3 0.0424 0.8266 0.008 0.000 0.992
#> 28003 3 0.2096 0.8632 0.004 0.052 0.944
#> 28005 2 0.0000 0.9072 0.000 1.000 0.000
#> 28006 2 0.0000 0.9072 0.000 1.000 0.000
#> 28007 2 0.0000 0.9072 0.000 1.000 0.000
#> 28019 1 0.0237 0.8263 0.996 0.000 0.004
#> 28021 3 0.6305 -0.2127 0.484 0.000 0.516
#> 28023 2 0.0000 0.9072 0.000 1.000 0.000
#> 28024 2 0.0000 0.9072 0.000 1.000 0.000
#> 28028 2 0.0000 0.9072 0.000 1.000 0.000
#> 28031 3 0.2959 0.8635 0.000 0.100 0.900
#> 28032 2 0.0424 0.9071 0.000 0.992 0.008
#> 28035 1 0.6308 0.2489 0.508 0.000 0.492
#> 28036 2 0.0424 0.9071 0.000 0.992 0.008
#> 28037 1 0.6308 0.2489 0.508 0.000 0.492
#> 28042 3 0.4842 0.7785 0.000 0.224 0.776
#> 28043 2 0.6244 0.0609 0.000 0.560 0.440
#> 28044 3 0.5202 0.7611 0.008 0.220 0.772
#> 28047 2 0.0424 0.9071 0.000 0.992 0.008
#> 30001 1 0.0237 0.8263 0.996 0.000 0.004
#> 31007 3 0.2280 0.8475 0.008 0.052 0.940
#> 31011 2 0.3192 0.8427 0.000 0.888 0.112
#> 33005 1 0.6308 0.2489 0.508 0.000 0.492
#> 36001 3 0.3112 0.8270 0.056 0.028 0.916
#> 36002 2 0.2356 0.8749 0.000 0.928 0.072
#> 37013 3 0.3237 0.8503 0.032 0.056 0.912
#> 43001 3 0.1753 0.8613 0.000 0.048 0.952
#> 43004 3 0.2063 0.8597 0.008 0.044 0.948
#> 43007 2 0.0592 0.9064 0.000 0.988 0.012
#> 43012 3 0.2959 0.8635 0.000 0.100 0.900
#> 48001 3 0.2187 0.8467 0.024 0.028 0.948
#> 49006 2 0.2625 0.8687 0.000 0.916 0.084
#> 57001 3 0.5797 0.6980 0.008 0.280 0.712
#> 62001 2 0.2878 0.8540 0.000 0.904 0.096
#> 62002 3 0.5797 0.6980 0.008 0.280 0.712
#> 62003 3 0.0592 0.8259 0.012 0.000 0.988
#> 63001 2 0.0000 0.9072 0.000 1.000 0.000
#> 64001 2 0.0000 0.9072 0.000 1.000 0.000
#> 64002 1 0.0237 0.8263 0.996 0.000 0.004
#> 65005 2 0.0000 0.9072 0.000 1.000 0.000
#> 68001 1 0.0237 0.8263 0.996 0.000 0.004
#> 68003 3 0.5292 0.7556 0.008 0.228 0.764
#> 84004 2 0.0000 0.9072 0.000 1.000 0.000
#> LAL5 3 0.5835 0.6078 0.000 0.340 0.660
#> 01003 3 0.5529 0.6893 0.000 0.296 0.704
#> 01007 3 0.2796 0.8655 0.000 0.092 0.908
#> 02020 3 0.1877 0.8512 0.012 0.032 0.956
#> 04018 3 0.5529 0.6893 0.000 0.296 0.704
#> 09002 3 0.5016 0.7651 0.000 0.240 0.760
#> 10005 2 0.0000 0.9072 0.000 1.000 0.000
#> 11002 2 0.0000 0.9072 0.000 1.000 0.000
#> 12008 3 0.2625 0.8661 0.000 0.084 0.916
#> 15006 1 0.0237 0.8263 0.996 0.000 0.004
#> 16002 2 0.2165 0.8826 0.000 0.936 0.064
#> 16007 2 0.2165 0.8826 0.000 0.936 0.064
#> 17003 3 0.2711 0.8663 0.000 0.088 0.912
#> 18001 2 0.1643 0.8931 0.000 0.956 0.044
#> 19002 3 0.1860 0.8630 0.000 0.052 0.948
#> 19008 2 0.6299 -0.0834 0.000 0.524 0.476
#> 19014 3 0.2878 0.8640 0.000 0.096 0.904
#> 19017 2 0.1031 0.9021 0.000 0.976 0.024
#> 20005 2 0.0424 0.9071 0.000 0.992 0.008
#> 24006 3 0.1860 0.8631 0.000 0.052 0.948
#> 26009 1 0.0237 0.8263 0.996 0.000 0.004
#> 28008 2 0.0000 0.9072 0.000 1.000 0.000
#> 28009 3 0.2796 0.8647 0.000 0.092 0.908
#> 31015 3 0.4121 0.8187 0.000 0.168 0.832
#> 37001 3 0.1860 0.8630 0.000 0.052 0.948
#> 43006 2 0.0424 0.9071 0.000 0.992 0.008
#> 43015 3 0.6062 0.5135 0.000 0.384 0.616
#> 44001 3 0.4121 0.8187 0.000 0.168 0.832
#> 49004 2 0.2165 0.8826 0.000 0.936 0.064
#> 56007 3 0.5591 0.6766 0.000 0.304 0.696
#> 64005 3 0.1753 0.8615 0.000 0.048 0.952
#> 65003 3 0.2959 0.8635 0.000 0.100 0.900
#> 83001 3 0.5202 0.7611 0.008 0.220 0.772
#> LAL4 3 0.2878 0.8640 0.000 0.096 0.904
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.6820 0.185719 0.000 0.364 0.528 0.108
#> 01010 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 03002 3 0.3198 0.809549 0.000 0.080 0.880 0.040
#> 04006 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 04007 3 0.0188 0.862072 0.000 0.000 0.996 0.004
#> 04008 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 04010 1 0.0524 0.688085 0.988 0.004 0.000 0.008
#> 04016 3 0.0469 0.864378 0.000 0.012 0.988 0.000
#> 06002 2 0.1911 0.734649 0.004 0.944 0.020 0.032
#> 08001 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 08011 3 0.4711 0.618202 0.000 0.236 0.740 0.024
#> 08012 3 0.0592 0.864072 0.000 0.016 0.984 0.000
#> 08018 2 0.2413 0.735201 0.004 0.924 0.036 0.036
#> 08024 2 0.1492 0.720864 0.004 0.956 0.004 0.036
#> 09008 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 09017 2 0.6068 0.503795 0.000 0.676 0.208 0.116
#> 11005 3 0.5604 0.005613 0.000 0.476 0.504 0.020
#> 12006 2 0.1585 0.720871 0.004 0.952 0.004 0.040
#> 12007 3 0.6952 0.158258 0.000 0.364 0.516 0.120
#> 12012 2 0.2023 0.732695 0.004 0.940 0.028 0.028
#> 12019 2 0.1191 0.724792 0.004 0.968 0.004 0.024
#> 12026 1 0.7754 -0.323744 0.420 0.336 0.000 0.244
#> 14016 1 0.7754 -0.323744 0.420 0.336 0.000 0.244
#> 15001 2 0.2224 0.734029 0.000 0.928 0.032 0.040
#> 15004 2 0.3071 0.721490 0.000 0.888 0.044 0.068
#> 15005 2 0.2746 0.714538 0.028 0.916 0.028 0.028
#> 16004 1 0.7474 -0.228344 0.424 0.176 0.000 0.400
#> 16009 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 19005 2 0.1545 0.715962 0.008 0.952 0.000 0.040
#> 20002 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 22009 2 0.4054 0.535475 0.016 0.796 0.000 0.188
#> 22010 2 0.3803 0.677821 0.000 0.836 0.032 0.132
#> 22011 3 0.2843 0.819964 0.000 0.088 0.892 0.020
#> 22013 2 0.4054 0.535475 0.016 0.796 0.000 0.188
#> 24001 3 0.2843 0.819964 0.000 0.088 0.892 0.020
#> 24005 3 0.0188 0.862072 0.000 0.000 0.996 0.004
#> 24008 3 0.3172 0.763418 0.000 0.000 0.840 0.160
#> 24010 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 24011 2 0.5165 -0.287320 0.004 0.512 0.000 0.484
#> 24017 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 24018 2 0.4054 0.537780 0.016 0.796 0.000 0.188
#> 24019 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 24022 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 25003 2 0.4004 0.688991 0.004 0.836 0.040 0.120
#> 25006 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 26001 2 0.4136 0.524278 0.016 0.788 0.000 0.196
#> 26003 3 0.0336 0.864317 0.000 0.008 0.992 0.000
#> 26005 2 0.1911 0.734649 0.004 0.944 0.020 0.032
#> 26008 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 27003 2 0.3071 0.721490 0.000 0.888 0.044 0.068
#> 27004 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 28001 4 0.3831 0.764358 0.004 0.204 0.000 0.792
#> 28003 2 0.1675 0.730007 0.004 0.948 0.004 0.044
#> 28005 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 28006 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 28007 3 0.0188 0.862072 0.000 0.000 0.996 0.004
#> 28019 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 28021 2 0.5861 -0.275415 0.480 0.488 0.000 0.032
#> 28023 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 28024 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 28028 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 28031 2 0.3071 0.721490 0.000 0.888 0.044 0.068
#> 28032 3 0.0469 0.864408 0.000 0.012 0.988 0.000
#> 28035 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 28036 3 0.0469 0.864408 0.000 0.012 0.988 0.000
#> 28037 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 28042 2 0.6339 0.472739 0.000 0.656 0.148 0.196
#> 28043 3 0.6930 0.134099 0.000 0.356 0.524 0.120
#> 28044 2 0.4405 0.622672 0.000 0.800 0.152 0.048
#> 28047 3 0.0592 0.863813 0.000 0.016 0.984 0.000
#> 30001 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 31007 4 0.5543 0.733061 0.004 0.304 0.032 0.660
#> 31011 3 0.3392 0.782571 0.000 0.124 0.856 0.020
#> 33005 1 0.5856 0.286383 0.504 0.464 0.000 0.032
#> 36001 2 0.2335 0.689497 0.060 0.920 0.000 0.020
#> 36002 3 0.2623 0.831955 0.000 0.064 0.908 0.028
#> 37013 2 0.2746 0.714538 0.028 0.916 0.028 0.028
#> 43001 2 0.1585 0.720871 0.004 0.952 0.004 0.040
#> 43004 2 0.1042 0.723852 0.008 0.972 0.000 0.020
#> 43007 3 0.0817 0.862628 0.000 0.024 0.976 0.000
#> 43012 2 0.3071 0.721490 0.000 0.888 0.044 0.068
#> 48001 2 0.1624 0.711174 0.028 0.952 0.000 0.020
#> 49006 3 0.2775 0.823151 0.000 0.084 0.896 0.020
#> 57001 2 0.4986 0.558495 0.000 0.740 0.216 0.044
#> 62001 3 0.3198 0.809549 0.000 0.080 0.880 0.040
#> 62002 2 0.4951 0.563076 0.000 0.744 0.212 0.044
#> 62003 2 0.3881 0.561010 0.016 0.812 0.000 0.172
#> 63001 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 64001 3 0.0000 0.863530 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 65005 3 0.0188 0.862072 0.000 0.000 0.996 0.004
#> 68001 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 68003 2 0.4499 0.617619 0.000 0.792 0.160 0.048
#> 84004 3 0.0188 0.862072 0.000 0.000 0.996 0.004
#> LAL5 2 0.6708 0.390125 0.000 0.596 0.272 0.132
#> 01003 2 0.6834 0.417824 0.000 0.600 0.224 0.176
#> 01007 2 0.2578 0.729468 0.000 0.912 0.036 0.052
#> 02020 2 0.1297 0.714455 0.016 0.964 0.000 0.020
#> 04018 2 0.6834 0.417824 0.000 0.600 0.224 0.176
#> 09002 2 0.6503 0.455623 0.000 0.640 0.164 0.196
#> 10005 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 11002 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 12008 2 0.4835 0.599757 0.004 0.756 0.032 0.208
#> 15006 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 16002 3 0.2450 0.834769 0.000 0.072 0.912 0.016
#> 16007 3 0.2450 0.834769 0.000 0.072 0.912 0.016
#> 17003 2 0.3999 0.648522 0.000 0.824 0.036 0.140
#> 18001 3 0.1938 0.847679 0.000 0.052 0.936 0.012
#> 19002 2 0.1398 0.728209 0.000 0.956 0.004 0.040
#> 19008 3 0.7512 -0.000778 0.000 0.348 0.460 0.192
#> 19014 2 0.4037 0.673093 0.000 0.824 0.040 0.136
#> 19017 3 0.1209 0.859433 0.000 0.032 0.964 0.004
#> 20005 3 0.0469 0.864408 0.000 0.012 0.988 0.000
#> 24006 2 0.3016 0.679726 0.004 0.872 0.004 0.120
#> 26009 1 0.0000 0.693564 1.000 0.000 0.000 0.000
#> 28008 3 0.3123 0.764882 0.000 0.000 0.844 0.156
#> 28009 2 0.2578 0.727843 0.000 0.912 0.036 0.052
#> 31015 2 0.6499 0.313308 0.000 0.612 0.112 0.276
#> 37001 2 0.1398 0.728209 0.000 0.956 0.004 0.040
#> 43006 3 0.0469 0.864408 0.000 0.012 0.988 0.000
#> 43015 2 0.6835 0.323765 0.000 0.560 0.316 0.124
#> 44001 2 0.6499 0.313308 0.000 0.612 0.112 0.276
#> 49004 3 0.2450 0.834769 0.000 0.072 0.912 0.016
#> 56007 2 0.6889 0.402287 0.000 0.592 0.232 0.176
#> 64005 2 0.2958 0.678151 0.004 0.876 0.004 0.116
#> 65003 2 0.3071 0.721490 0.000 0.888 0.044 0.068
#> 83001 2 0.4405 0.622672 0.000 0.800 0.152 0.048
#> LAL4 2 0.4037 0.673093 0.000 0.824 0.040 0.136
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 4 0.6372 0.1780 0.000 0.324 0.184 0.492 0.000
#> 01010 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 03002 4 0.3055 0.8120 0.000 0.064 0.072 0.864 0.000
#> 04006 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 04007 4 0.0510 0.8621 0.000 0.000 0.016 0.984 0.000
#> 04008 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 04010 1 0.3828 0.6121 0.764 0.008 0.220 0.000 0.008
#> 04016 4 0.0451 0.8661 0.000 0.008 0.004 0.988 0.000
#> 06002 2 0.1648 0.7179 0.000 0.940 0.040 0.020 0.000
#> 08001 4 0.0290 0.8644 0.000 0.000 0.008 0.992 0.000
#> 08011 4 0.4810 0.6269 0.000 0.204 0.084 0.712 0.000
#> 08012 4 0.0566 0.8660 0.000 0.012 0.004 0.984 0.000
#> 08018 2 0.2124 0.7202 0.000 0.916 0.056 0.028 0.000
#> 08024 2 0.1285 0.7000 0.000 0.956 0.004 0.004 0.036
#> 09008 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 09017 2 0.5773 0.5197 0.000 0.616 0.216 0.168 0.000
#> 11005 4 0.6198 0.0420 0.000 0.404 0.108 0.480 0.008
#> 12006 2 0.1205 0.7030 0.000 0.956 0.000 0.004 0.040
#> 12007 4 0.6442 0.1485 0.000 0.324 0.196 0.480 0.000
#> 12012 2 0.1582 0.7090 0.000 0.944 0.000 0.028 0.028
#> 12019 2 0.1173 0.6995 0.000 0.964 0.012 0.004 0.020
#> 12026 1 0.6692 -0.2590 0.416 0.336 0.000 0.000 0.248
#> 14016 1 0.6692 -0.2590 0.416 0.336 0.000 0.000 0.248
#> 15001 2 0.2209 0.7179 0.000 0.912 0.056 0.032 0.000
#> 15004 2 0.3476 0.7111 0.000 0.816 0.160 0.020 0.004
#> 15005 2 0.2419 0.6669 0.004 0.904 0.064 0.028 0.000
#> 16004 5 0.5131 -0.0618 0.420 0.040 0.000 0.000 0.540
#> 16009 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 19005 2 0.1364 0.6930 0.000 0.952 0.012 0.000 0.036
#> 20002 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 22009 2 0.3612 0.5648 0.000 0.800 0.028 0.000 0.172
#> 22010 2 0.3768 0.6827 0.000 0.760 0.228 0.008 0.004
#> 22011 4 0.3055 0.8168 0.000 0.064 0.072 0.864 0.000
#> 22013 2 0.3612 0.5648 0.000 0.800 0.028 0.000 0.172
#> 24001 4 0.3055 0.8168 0.000 0.064 0.072 0.864 0.000
#> 24005 4 0.0510 0.8621 0.000 0.000 0.016 0.984 0.000
#> 24008 4 0.3370 0.7595 0.000 0.000 0.148 0.824 0.028
#> 24010 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 24011 5 0.5505 0.0417 0.000 0.452 0.064 0.000 0.484
#> 24017 1 0.0162 0.8644 0.996 0.000 0.000 0.000 0.004
#> 24018 2 0.3734 0.5606 0.000 0.796 0.036 0.000 0.168
#> 24019 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0290 0.8644 0.000 0.000 0.008 0.992 0.000
#> 25003 2 0.3742 0.6942 0.000 0.788 0.188 0.020 0.004
#> 25006 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 26001 2 0.3810 0.5494 0.000 0.788 0.036 0.000 0.176
#> 26003 4 0.0451 0.8656 0.000 0.004 0.008 0.988 0.000
#> 26005 2 0.1648 0.7179 0.000 0.940 0.040 0.020 0.000
#> 26008 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 27003 2 0.3476 0.7111 0.000 0.816 0.160 0.020 0.004
#> 27004 4 0.0404 0.8636 0.000 0.000 0.012 0.988 0.000
#> 28001 5 0.1121 0.4517 0.000 0.044 0.000 0.000 0.956
#> 28003 2 0.2230 0.7185 0.000 0.884 0.116 0.000 0.000
#> 28005 4 0.0404 0.8636 0.000 0.000 0.012 0.988 0.000
#> 28006 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 28007 4 0.0510 0.8621 0.000 0.000 0.016 0.984 0.000
#> 28019 1 0.0162 0.8644 0.996 0.000 0.000 0.000 0.004
#> 28021 3 0.6333 0.7820 0.124 0.400 0.468 0.000 0.008
#> 28023 4 0.0290 0.8644 0.000 0.000 0.008 0.992 0.000
#> 28024 4 0.0290 0.8644 0.000 0.000 0.008 0.992 0.000
#> 28028 4 0.0290 0.8644 0.000 0.000 0.008 0.992 0.000
#> 28031 2 0.3476 0.7111 0.000 0.816 0.160 0.020 0.004
#> 28032 4 0.0771 0.8642 0.000 0.004 0.020 0.976 0.000
#> 28035 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 28036 4 0.0771 0.8642 0.000 0.004 0.020 0.976 0.000
#> 28037 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 28042 2 0.5802 0.4628 0.000 0.544 0.380 0.060 0.016
#> 28043 4 0.6616 0.1148 0.000 0.320 0.184 0.488 0.008
#> 28044 2 0.4571 0.5402 0.000 0.760 0.080 0.152 0.008
#> 28047 4 0.0898 0.8637 0.000 0.008 0.020 0.972 0.000
#> 30001 1 0.0162 0.8644 0.996 0.000 0.000 0.000 0.004
#> 31007 5 0.5679 0.4507 0.000 0.152 0.172 0.012 0.664
#> 31011 4 0.3579 0.7802 0.000 0.100 0.072 0.828 0.000
#> 33005 3 0.6495 0.8147 0.148 0.380 0.464 0.000 0.008
#> 36001 2 0.2286 0.6225 0.004 0.888 0.108 0.000 0.000
#> 36002 4 0.2588 0.8331 0.000 0.048 0.060 0.892 0.000
#> 37013 2 0.2419 0.6669 0.004 0.904 0.064 0.028 0.000
#> 43001 2 0.1205 0.7030 0.000 0.956 0.000 0.004 0.040
#> 43004 2 0.1544 0.7091 0.000 0.932 0.068 0.000 0.000
#> 43007 4 0.1117 0.8628 0.000 0.016 0.020 0.964 0.000
#> 43012 2 0.3476 0.7111 0.000 0.816 0.160 0.020 0.004
#> 48001 2 0.1571 0.6680 0.004 0.936 0.060 0.000 0.000
#> 49006 4 0.2989 0.8192 0.000 0.060 0.072 0.868 0.000
#> 57001 2 0.5113 0.4792 0.000 0.700 0.084 0.208 0.008
#> 62001 4 0.3055 0.8120 0.000 0.064 0.072 0.864 0.000
#> 62002 2 0.5135 0.4820 0.000 0.700 0.088 0.204 0.008
#> 62003 2 0.3536 0.5846 0.000 0.812 0.032 0.000 0.156
#> 63001 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 64001 4 0.0000 0.8650 0.000 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 65005 4 0.0510 0.8621 0.000 0.000 0.016 0.984 0.000
#> 68001 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 68003 2 0.4680 0.5438 0.000 0.752 0.088 0.152 0.008
#> 84004 4 0.0510 0.8621 0.000 0.000 0.016 0.984 0.000
#> LAL5 2 0.6458 0.4024 0.000 0.544 0.212 0.236 0.008
#> 01003 2 0.6361 0.4414 0.000 0.544 0.284 0.164 0.008
#> 01007 2 0.2886 0.7232 0.000 0.864 0.116 0.016 0.004
#> 02020 2 0.1121 0.6794 0.000 0.956 0.044 0.000 0.000
#> 04018 2 0.6361 0.4414 0.000 0.544 0.284 0.164 0.008
#> 09002 2 0.6008 0.4474 0.000 0.528 0.380 0.076 0.016
#> 10005 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 11002 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 12008 2 0.4885 0.6582 0.000 0.732 0.168 0.008 0.092
#> 15006 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 16002 4 0.2726 0.8303 0.000 0.052 0.064 0.884 0.000
#> 16007 4 0.2726 0.8303 0.000 0.052 0.064 0.884 0.000
#> 17003 2 0.4858 0.6385 0.000 0.748 0.144 0.016 0.092
#> 18001 4 0.2278 0.8431 0.000 0.032 0.060 0.908 0.000
#> 19002 2 0.1965 0.7142 0.000 0.904 0.096 0.000 0.000
#> 19008 3 0.7109 -0.1519 0.000 0.240 0.380 0.364 0.016
#> 19014 2 0.4033 0.6772 0.000 0.744 0.236 0.016 0.004
#> 19017 4 0.1461 0.8611 0.000 0.016 0.028 0.952 0.004
#> 20005 4 0.0771 0.8642 0.000 0.004 0.020 0.976 0.000
#> 24006 2 0.3176 0.6951 0.000 0.856 0.064 0.000 0.080
#> 26009 1 0.0000 0.8664 1.000 0.000 0.000 0.000 0.000
#> 28008 4 0.3327 0.7610 0.000 0.000 0.144 0.828 0.028
#> 28009 2 0.2935 0.7207 0.000 0.860 0.120 0.016 0.004
#> 31015 2 0.6959 0.3296 0.000 0.508 0.320 0.056 0.116
#> 37001 2 0.1965 0.7142 0.000 0.904 0.096 0.000 0.000
#> 43006 4 0.0771 0.8642 0.000 0.004 0.020 0.976 0.000
#> 43015 2 0.6607 0.3394 0.000 0.508 0.204 0.280 0.008
#> 44001 2 0.6959 0.3296 0.000 0.508 0.320 0.056 0.116
#> 49004 4 0.2726 0.8303 0.000 0.052 0.064 0.884 0.000
#> 56007 2 0.6406 0.4301 0.000 0.536 0.288 0.168 0.008
#> 64005 2 0.3110 0.6933 0.000 0.860 0.060 0.000 0.080
#> 65003 2 0.3476 0.7111 0.000 0.816 0.160 0.020 0.004
#> 83001 2 0.4571 0.5402 0.000 0.760 0.080 0.152 0.008
#> LAL4 2 0.4004 0.6766 0.000 0.748 0.232 0.016 0.004
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 4 0.5928 0.06063 0.000 0.264 0.004 0.496 0.236 0.000
#> 01010 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 4 0.2499 0.69579 0.000 0.048 0.000 0.880 0.072 0.000
#> 04006 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 4 0.1141 0.74311 0.000 0.000 0.052 0.948 0.000 0.000
#> 04008 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 04010 1 0.3647 0.43582 0.640 0.000 0.000 0.000 0.000 0.360
#> 04016 4 0.1299 0.75805 0.000 0.004 0.036 0.952 0.004 0.004
#> 06002 2 0.1895 0.64975 0.000 0.912 0.000 0.016 0.072 0.000
#> 08001 4 0.1007 0.75168 0.000 0.000 0.044 0.956 0.000 0.000
#> 08011 4 0.4490 0.44739 0.000 0.148 0.004 0.720 0.128 0.000
#> 08012 4 0.1413 0.75925 0.000 0.008 0.036 0.948 0.004 0.004
#> 08018 2 0.2301 0.64160 0.000 0.884 0.000 0.020 0.096 0.000
#> 08024 2 0.1296 0.65411 0.000 0.952 0.004 0.000 0.032 0.012
#> 09008 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 09017 2 0.5807 0.29347 0.000 0.584 0.000 0.176 0.216 0.024
#> 11005 4 0.5778 -0.02303 0.000 0.320 0.000 0.484 0.196 0.000
#> 12006 2 0.1296 0.65514 0.000 0.952 0.004 0.000 0.032 0.012
#> 12007 4 0.5976 0.02479 0.000 0.264 0.004 0.484 0.248 0.000
#> 12012 2 0.1950 0.65793 0.000 0.924 0.004 0.020 0.044 0.008
#> 12019 2 0.1059 0.65657 0.000 0.964 0.004 0.000 0.016 0.016
#> 12026 1 0.7403 0.08830 0.416 0.332 0.068 0.000 0.140 0.044
#> 14016 1 0.7403 0.08830 0.416 0.332 0.068 0.000 0.140 0.044
#> 15001 2 0.2480 0.63906 0.000 0.872 0.000 0.024 0.104 0.000
#> 15004 2 0.3161 0.60236 0.000 0.776 0.000 0.008 0.216 0.000
#> 15005 2 0.2375 0.64436 0.000 0.896 0.000 0.020 0.016 0.068
#> 16004 1 0.6864 0.31821 0.420 0.008 0.204 0.000 0.324 0.044
#> 16009 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 2 0.1562 0.65172 0.000 0.940 0.004 0.000 0.032 0.024
#> 20002 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 22009 2 0.4019 0.54510 0.000 0.792 0.040 0.000 0.112 0.056
#> 22010 2 0.3490 0.55256 0.000 0.724 0.000 0.000 0.268 0.008
#> 22011 4 0.2617 0.70572 0.000 0.040 0.000 0.876 0.080 0.004
#> 22013 2 0.4019 0.54510 0.000 0.792 0.040 0.000 0.112 0.056
#> 24001 4 0.2617 0.70572 0.000 0.040 0.000 0.876 0.080 0.004
#> 24005 4 0.1141 0.74311 0.000 0.000 0.052 0.948 0.000 0.000
#> 24008 3 0.3975 0.98920 0.000 0.000 0.544 0.452 0.004 0.000
#> 24010 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 24011 2 0.7280 -0.11846 0.000 0.436 0.188 0.000 0.184 0.192
#> 24017 1 0.0146 0.85631 0.996 0.000 0.000 0.000 0.000 0.004
#> 24018 2 0.4090 0.54392 0.000 0.788 0.040 0.000 0.108 0.064
#> 24019 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.1007 0.75168 0.000 0.000 0.044 0.956 0.000 0.000
#> 25003 2 0.3517 0.58608 0.000 0.772 0.000 0.012 0.204 0.012
#> 25006 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 2 0.4177 0.53471 0.000 0.780 0.040 0.000 0.116 0.064
#> 26003 4 0.0935 0.75913 0.000 0.000 0.032 0.964 0.004 0.000
#> 26005 2 0.1895 0.64975 0.000 0.912 0.000 0.016 0.072 0.000
#> 26008 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 2 0.3161 0.60236 0.000 0.776 0.000 0.008 0.216 0.000
#> 27004 4 0.1075 0.74687 0.000 0.000 0.048 0.952 0.000 0.000
#> 28001 5 0.5675 0.00550 0.000 0.008 0.428 0.000 0.444 0.120
#> 28003 2 0.2750 0.65154 0.000 0.844 0.000 0.000 0.136 0.020
#> 28005 4 0.1075 0.74687 0.000 0.000 0.048 0.952 0.000 0.000
#> 28006 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 28007 4 0.1141 0.74311 0.000 0.000 0.052 0.948 0.000 0.000
#> 28019 1 0.0146 0.85631 0.996 0.000 0.000 0.000 0.000 0.004
#> 28021 6 0.2883 0.95976 0.000 0.212 0.000 0.000 0.000 0.788
#> 28023 4 0.1007 0.75056 0.000 0.000 0.044 0.956 0.000 0.000
#> 28024 4 0.1007 0.75056 0.000 0.000 0.044 0.956 0.000 0.000
#> 28028 4 0.1007 0.75168 0.000 0.000 0.044 0.956 0.000 0.000
#> 28031 2 0.3161 0.60236 0.000 0.776 0.000 0.008 0.216 0.000
#> 28032 4 0.0405 0.76257 0.000 0.000 0.004 0.988 0.008 0.000
#> 28035 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 28036 4 0.0405 0.76257 0.000 0.000 0.004 0.988 0.008 0.000
#> 28037 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 28042 5 0.4624 -0.10033 0.000 0.432 0.000 0.040 0.528 0.000
#> 28043 4 0.6056 0.02479 0.000 0.240 0.000 0.504 0.244 0.012
#> 28044 2 0.5699 0.39359 0.000 0.644 0.000 0.144 0.148 0.064
#> 28047 4 0.0405 0.76335 0.000 0.004 0.000 0.988 0.008 0.000
#> 30001 1 0.0146 0.85631 0.996 0.000 0.000 0.000 0.000 0.004
#> 31007 5 0.6115 0.18773 0.000 0.100 0.168 0.004 0.616 0.112
#> 31011 4 0.3148 0.65733 0.000 0.064 0.000 0.840 0.092 0.004
#> 33005 6 0.3168 0.99335 0.016 0.192 0.000 0.000 0.000 0.792
#> 36001 2 0.3163 0.52080 0.000 0.764 0.000 0.000 0.004 0.232
#> 36002 4 0.2046 0.72776 0.000 0.032 0.000 0.908 0.060 0.000
#> 37013 2 0.2375 0.64436 0.000 0.896 0.000 0.020 0.016 0.068
#> 43001 2 0.1296 0.65514 0.000 0.952 0.004 0.000 0.032 0.012
#> 43004 2 0.1908 0.66495 0.000 0.916 0.000 0.000 0.056 0.028
#> 43007 4 0.0622 0.76382 0.000 0.012 0.000 0.980 0.008 0.000
#> 43012 2 0.3161 0.60236 0.000 0.776 0.000 0.008 0.216 0.000
#> 48001 2 0.1643 0.64530 0.000 0.924 0.000 0.000 0.008 0.068
#> 49006 4 0.2639 0.71319 0.000 0.032 0.008 0.876 0.084 0.000
#> 57001 2 0.6109 0.30325 0.000 0.584 0.000 0.200 0.156 0.060
#> 62001 4 0.2499 0.69579 0.000 0.048 0.000 0.880 0.072 0.000
#> 62002 2 0.6114 0.30340 0.000 0.584 0.000 0.196 0.160 0.060
#> 62003 2 0.3869 0.56114 0.000 0.804 0.040 0.000 0.104 0.052
#> 63001 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 64001 4 0.0865 0.75550 0.000 0.000 0.036 0.964 0.000 0.000
#> 64002 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 4 0.1141 0.74311 0.000 0.000 0.052 0.948 0.000 0.000
#> 68001 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 2 0.5742 0.38590 0.000 0.636 0.000 0.144 0.160 0.060
#> 84004 4 0.1141 0.74311 0.000 0.000 0.052 0.948 0.000 0.000
#> LAL5 2 0.6470 0.00557 0.000 0.424 0.000 0.240 0.312 0.024
#> 01003 2 0.6170 -0.00159 0.000 0.432 0.000 0.152 0.392 0.024
#> 01007 2 0.2737 0.63697 0.000 0.832 0.000 0.004 0.160 0.004
#> 02020 2 0.1265 0.65016 0.000 0.948 0.000 0.000 0.008 0.044
#> 04018 2 0.6170 -0.00159 0.000 0.432 0.000 0.152 0.392 0.024
#> 09002 5 0.4824 -0.07026 0.000 0.420 0.000 0.056 0.524 0.000
#> 10005 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 11002 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 12008 2 0.4405 0.54393 0.000 0.724 0.040 0.000 0.208 0.028
#> 15006 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 16002 4 0.2380 0.71818 0.000 0.036 0.004 0.892 0.068 0.000
#> 16007 4 0.2380 0.71818 0.000 0.036 0.004 0.892 0.068 0.000
#> 17003 2 0.4503 0.51266 0.000 0.720 0.008 0.008 0.204 0.060
#> 18001 4 0.1807 0.73841 0.000 0.020 0.000 0.920 0.060 0.000
#> 19002 2 0.2558 0.65843 0.000 0.868 0.000 0.000 0.104 0.028
#> 19008 5 0.6928 0.27037 0.000 0.088 0.208 0.192 0.504 0.008
#> 19014 2 0.3713 0.53636 0.000 0.704 0.000 0.004 0.284 0.008
#> 19017 4 0.1452 0.75011 0.000 0.012 0.020 0.948 0.020 0.000
#> 20005 4 0.0405 0.76257 0.000 0.000 0.004 0.988 0.008 0.000
#> 24006 2 0.3275 0.63931 0.000 0.848 0.040 0.000 0.072 0.040
#> 26009 1 0.0000 0.85801 1.000 0.000 0.000 0.000 0.000 0.000
#> 28008 3 0.3847 0.99820 0.000 0.000 0.544 0.456 0.000 0.000
#> 28009 2 0.2703 0.62861 0.000 0.824 0.000 0.004 0.172 0.000
#> 31015 2 0.6212 0.01226 0.000 0.464 0.008 0.044 0.396 0.088
#> 37001 2 0.2558 0.65843 0.000 0.868 0.000 0.000 0.104 0.028
#> 43006 4 0.0405 0.76257 0.000 0.000 0.004 0.988 0.008 0.000
#> 43015 2 0.6560 -0.04662 0.000 0.392 0.000 0.288 0.296 0.024
#> 44001 2 0.6212 0.01226 0.000 0.464 0.008 0.044 0.396 0.088
#> 49004 4 0.2380 0.71818 0.000 0.036 0.004 0.892 0.068 0.000
#> 56007 2 0.6300 -0.03035 0.000 0.420 0.004 0.152 0.400 0.024
#> 64005 2 0.3162 0.63727 0.000 0.856 0.040 0.000 0.064 0.040
#> 65003 2 0.3161 0.60236 0.000 0.776 0.000 0.008 0.216 0.000
#> 83001 2 0.5699 0.39359 0.000 0.644 0.000 0.144 0.148 0.064
#> LAL4 2 0.3626 0.53115 0.000 0.704 0.000 0.004 0.288 0.004
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:hclust 118 0.787 0.0829 0.883 2
#> ATC:hclust 113 0.924 0.2654 0.730 3
#> ATC:hclust 103 0.745 0.1740 0.948 4
#> ATC:hclust 106 0.960 0.1760 0.669 5
#> ATC:hclust 100 0.987 0.1405 0.762 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "kmeans"]
# you can also extract it by
# res = res_list["ATC:kmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.544 0.745 0.888 0.4389 0.514 0.514
#> 3 3 0.953 0.922 0.947 0.4193 0.668 0.454
#> 4 4 0.720 0.704 0.834 0.1176 0.882 0.712
#> 5 5 0.647 0.523 0.744 0.0787 0.945 0.843
#> 6 6 0.639 0.552 0.718 0.0562 0.870 0.612
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.0000 0.9101 0.000 1.000
#> 01010 1 0.0000 0.7763 1.000 0.000
#> 03002 2 0.0000 0.9101 0.000 1.000
#> 04006 1 0.0000 0.7763 1.000 0.000
#> 04007 2 0.0000 0.9101 0.000 1.000
#> 04008 1 0.0000 0.7763 1.000 0.000
#> 04010 1 0.0000 0.7763 1.000 0.000
#> 04016 2 0.0000 0.9101 0.000 1.000
#> 06002 1 0.9754 0.5434 0.592 0.408
#> 08001 2 0.0000 0.9101 0.000 1.000
#> 08011 2 0.0000 0.9101 0.000 1.000
#> 08012 2 0.0000 0.9101 0.000 1.000
#> 08018 2 0.1843 0.8833 0.028 0.972
#> 08024 1 0.9815 0.5224 0.580 0.420
#> 09008 1 0.0000 0.7763 1.000 0.000
#> 09017 2 0.1184 0.8954 0.016 0.984
#> 11005 2 0.0000 0.9101 0.000 1.000
#> 12006 1 0.9815 0.5224 0.580 0.420
#> 12007 2 0.0000 0.9101 0.000 1.000
#> 12012 1 0.9815 0.5224 0.580 0.420
#> 12019 1 0.9815 0.5224 0.580 0.420
#> 12026 1 0.0000 0.7763 1.000 0.000
#> 14016 1 0.0000 0.7763 1.000 0.000
#> 15001 2 0.9815 0.0330 0.420 0.580
#> 15004 2 0.8955 0.4069 0.312 0.688
#> 15005 1 0.0000 0.7763 1.000 0.000
#> 16004 1 0.0000 0.7763 1.000 0.000
#> 16009 1 0.0000 0.7763 1.000 0.000
#> 19005 1 0.7219 0.7343 0.800 0.200
#> 20002 1 0.0000 0.7763 1.000 0.000
#> 22009 1 0.9286 0.6234 0.656 0.344
#> 22010 2 0.9754 0.0861 0.408 0.592
#> 22011 2 0.0000 0.9101 0.000 1.000
#> 22013 1 0.9393 0.6110 0.644 0.356
#> 24001 2 0.0000 0.9101 0.000 1.000
#> 24005 2 0.0000 0.9101 0.000 1.000
#> 24008 2 0.0000 0.9101 0.000 1.000
#> 24010 2 0.0000 0.9101 0.000 1.000
#> 24011 1 0.9635 0.5735 0.612 0.388
#> 24017 1 0.0000 0.7763 1.000 0.000
#> 24018 1 0.6343 0.7472 0.840 0.160
#> 24019 1 0.0000 0.7763 1.000 0.000
#> 24022 2 0.0000 0.9101 0.000 1.000
#> 25003 2 0.9944 -0.1304 0.456 0.544
#> 25006 1 0.0000 0.7763 1.000 0.000
#> 26001 1 0.4562 0.7617 0.904 0.096
#> 26003 2 0.0000 0.9101 0.000 1.000
#> 26005 2 0.9970 -0.1802 0.468 0.532
#> 26008 1 0.0000 0.7763 1.000 0.000
#> 27003 2 0.9775 0.0689 0.412 0.588
#> 27004 2 0.0000 0.9101 0.000 1.000
#> 28001 1 0.9580 0.5835 0.620 0.380
#> 28003 1 0.9815 0.5224 0.580 0.420
#> 28005 2 0.0000 0.9101 0.000 1.000
#> 28006 2 0.0000 0.9101 0.000 1.000
#> 28007 2 0.0000 0.9101 0.000 1.000
#> 28019 1 0.0000 0.7763 1.000 0.000
#> 28021 1 0.7745 0.7184 0.772 0.228
#> 28023 2 0.0000 0.9101 0.000 1.000
#> 28024 2 0.0000 0.9101 0.000 1.000
#> 28028 2 0.0000 0.9101 0.000 1.000
#> 28031 2 0.8499 0.4950 0.276 0.724
#> 28032 2 0.0000 0.9101 0.000 1.000
#> 28035 1 0.0000 0.7763 1.000 0.000
#> 28036 2 0.0000 0.9101 0.000 1.000
#> 28037 1 0.0000 0.7763 1.000 0.000
#> 28042 2 0.0000 0.9101 0.000 1.000
#> 28043 2 0.0000 0.9101 0.000 1.000
#> 28044 2 0.0376 0.9069 0.004 0.996
#> 28047 2 0.0000 0.9101 0.000 1.000
#> 30001 1 0.0000 0.7763 1.000 0.000
#> 31007 2 0.7883 0.5794 0.236 0.764
#> 31011 2 0.0000 0.9101 0.000 1.000
#> 33005 1 0.0000 0.7763 1.000 0.000
#> 36001 1 0.7219 0.7343 0.800 0.200
#> 36002 2 0.0000 0.9101 0.000 1.000
#> 37013 1 0.9686 0.5625 0.604 0.396
#> 43001 1 0.8207 0.6989 0.744 0.256
#> 43004 1 0.9686 0.5625 0.604 0.396
#> 43007 2 0.0000 0.9101 0.000 1.000
#> 43012 2 0.4815 0.7941 0.104 0.896
#> 48001 1 0.7219 0.7343 0.800 0.200
#> 49006 2 0.0000 0.9101 0.000 1.000
#> 57001 2 0.0000 0.9101 0.000 1.000
#> 62001 2 0.0000 0.9101 0.000 1.000
#> 62002 2 0.0000 0.9101 0.000 1.000
#> 62003 1 0.7219 0.7343 0.800 0.200
#> 63001 2 0.0000 0.9101 0.000 1.000
#> 64001 2 0.0000 0.9101 0.000 1.000
#> 64002 1 0.0000 0.7763 1.000 0.000
#> 65005 2 0.0000 0.9101 0.000 1.000
#> 68001 1 0.0000 0.7763 1.000 0.000
#> 68003 2 0.0376 0.9069 0.004 0.996
#> 84004 2 0.0000 0.9101 0.000 1.000
#> LAL5 2 0.0000 0.9101 0.000 1.000
#> 01003 2 0.0376 0.9069 0.004 0.996
#> 01007 1 0.9815 0.5224 0.580 0.420
#> 02020 1 0.7056 0.7374 0.808 0.192
#> 04018 2 0.0376 0.9069 0.004 0.996
#> 09002 2 0.0000 0.9101 0.000 1.000
#> 10005 2 0.0000 0.9101 0.000 1.000
#> 11002 2 0.0000 0.9101 0.000 1.000
#> 12008 1 0.9833 0.5128 0.576 0.424
#> 15006 1 0.0000 0.7763 1.000 0.000
#> 16002 2 0.0000 0.9101 0.000 1.000
#> 16007 2 0.0000 0.9101 0.000 1.000
#> 17003 1 0.9881 0.4817 0.564 0.436
#> 18001 2 0.0000 0.9101 0.000 1.000
#> 19002 2 0.9754 0.0861 0.408 0.592
#> 19008 2 0.0000 0.9101 0.000 1.000
#> 19014 2 0.9170 0.3521 0.332 0.668
#> 19017 2 0.0000 0.9101 0.000 1.000
#> 20005 2 0.0000 0.9101 0.000 1.000
#> 24006 1 0.9815 0.5224 0.580 0.420
#> 26009 1 0.0000 0.7763 1.000 0.000
#> 28008 2 0.0000 0.9101 0.000 1.000
#> 28009 2 0.9661 0.1498 0.392 0.608
#> 31015 2 0.0000 0.9101 0.000 1.000
#> 37001 1 0.9795 0.5296 0.584 0.416
#> 43006 2 0.0000 0.9101 0.000 1.000
#> 43015 2 0.0000 0.9101 0.000 1.000
#> 44001 2 0.0000 0.9101 0.000 1.000
#> 49004 2 0.0000 0.9101 0.000 1.000
#> 56007 2 0.0000 0.9101 0.000 1.000
#> 64005 1 0.9661 0.5682 0.608 0.392
#> 65003 2 0.9170 0.3521 0.332 0.668
#> 83001 1 0.9815 0.5224 0.580 0.420
#> LAL4 2 0.9170 0.3521 0.332 0.668
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.2878 0.893 0.000 0.904 0.096
#> 01010 1 0.2448 0.981 0.924 0.000 0.076
#> 03002 2 0.0747 0.972 0.000 0.984 0.016
#> 04006 1 0.2448 0.981 0.924 0.000 0.076
#> 04007 2 0.0747 0.972 0.000 0.984 0.016
#> 04008 1 0.2448 0.981 0.924 0.000 0.076
#> 04010 1 0.2448 0.981 0.924 0.000 0.076
#> 04016 2 0.0747 0.972 0.000 0.984 0.016
#> 06002 3 0.0000 0.936 0.000 0.000 1.000
#> 08001 2 0.0747 0.972 0.000 0.984 0.016
#> 08011 2 0.0747 0.972 0.000 0.984 0.016
#> 08012 2 0.0747 0.972 0.000 0.984 0.016
#> 08018 3 0.2448 0.896 0.000 0.076 0.924
#> 08024 3 0.0000 0.936 0.000 0.000 1.000
#> 09008 1 0.2448 0.981 0.924 0.000 0.076
#> 09017 3 0.2448 0.896 0.000 0.076 0.924
#> 11005 2 0.0747 0.972 0.000 0.984 0.016
#> 12006 3 0.0000 0.936 0.000 0.000 1.000
#> 12007 3 0.2448 0.896 0.000 0.076 0.924
#> 12012 3 0.0000 0.936 0.000 0.000 1.000
#> 12019 3 0.0000 0.936 0.000 0.000 1.000
#> 12026 3 0.4702 0.681 0.212 0.000 0.788
#> 14016 3 0.6180 0.163 0.416 0.000 0.584
#> 15001 3 0.0892 0.933 0.000 0.020 0.980
#> 15004 3 0.1031 0.932 0.000 0.024 0.976
#> 15005 3 0.0747 0.924 0.016 0.000 0.984
#> 16004 1 0.6168 0.407 0.588 0.000 0.412
#> 16009 1 0.2448 0.981 0.924 0.000 0.076
#> 19005 3 0.0592 0.928 0.012 0.000 0.988
#> 20002 1 0.2448 0.981 0.924 0.000 0.076
#> 22009 3 0.0000 0.936 0.000 0.000 1.000
#> 22010 3 0.0892 0.933 0.000 0.020 0.980
#> 22011 2 0.0747 0.972 0.000 0.984 0.016
#> 22013 3 0.0000 0.936 0.000 0.000 1.000
#> 24001 2 0.0747 0.972 0.000 0.984 0.016
#> 24005 2 0.0747 0.972 0.000 0.984 0.016
#> 24008 2 0.2448 0.909 0.076 0.924 0.000
#> 24010 2 0.2448 0.909 0.076 0.924 0.000
#> 24011 3 0.0000 0.936 0.000 0.000 1.000
#> 24017 1 0.2448 0.981 0.924 0.000 0.076
#> 24018 3 0.0592 0.928 0.012 0.000 0.988
#> 24019 1 0.2448 0.981 0.924 0.000 0.076
#> 24022 2 0.0747 0.972 0.000 0.984 0.016
#> 25003 3 0.0892 0.933 0.000 0.020 0.980
#> 25006 1 0.2448 0.981 0.924 0.000 0.076
#> 26001 3 0.0592 0.928 0.012 0.000 0.988
#> 26003 2 0.0747 0.972 0.000 0.984 0.016
#> 26005 3 0.0000 0.936 0.000 0.000 1.000
#> 26008 1 0.2448 0.981 0.924 0.000 0.076
#> 27003 3 0.0892 0.933 0.000 0.020 0.980
#> 27004 2 0.0747 0.972 0.000 0.984 0.016
#> 28001 3 0.0747 0.926 0.000 0.016 0.984
#> 28003 3 0.0000 0.936 0.000 0.000 1.000
#> 28005 2 0.0747 0.972 0.000 0.984 0.016
#> 28006 2 0.2448 0.909 0.076 0.924 0.000
#> 28007 2 0.0747 0.972 0.000 0.984 0.016
#> 28019 1 0.2448 0.981 0.924 0.000 0.076
#> 28021 3 0.6357 0.423 0.336 0.012 0.652
#> 28023 2 0.0747 0.972 0.000 0.984 0.016
#> 28024 2 0.0747 0.972 0.000 0.984 0.016
#> 28028 2 0.0747 0.972 0.000 0.984 0.016
#> 28031 3 0.1163 0.930 0.000 0.028 0.972
#> 28032 2 0.0747 0.972 0.000 0.984 0.016
#> 28035 1 0.2448 0.981 0.924 0.000 0.076
#> 28036 2 0.0747 0.972 0.000 0.984 0.016
#> 28037 1 0.2448 0.981 0.924 0.000 0.076
#> 28042 3 0.2448 0.896 0.000 0.076 0.924
#> 28043 2 0.0747 0.972 0.000 0.984 0.016
#> 28044 3 0.3752 0.831 0.000 0.144 0.856
#> 28047 2 0.0747 0.972 0.000 0.984 0.016
#> 30001 1 0.2448 0.981 0.924 0.000 0.076
#> 31007 3 0.3337 0.892 0.060 0.032 0.908
#> 31011 2 0.2165 0.927 0.000 0.936 0.064
#> 33005 1 0.2448 0.981 0.924 0.000 0.076
#> 36001 3 0.0592 0.928 0.012 0.000 0.988
#> 36002 2 0.0747 0.972 0.000 0.984 0.016
#> 37013 3 0.0000 0.936 0.000 0.000 1.000
#> 43001 3 0.0592 0.928 0.012 0.000 0.988
#> 43004 3 0.0000 0.936 0.000 0.000 1.000
#> 43007 2 0.0747 0.972 0.000 0.984 0.016
#> 43012 3 0.2448 0.896 0.000 0.076 0.924
#> 48001 3 0.0592 0.928 0.012 0.000 0.988
#> 49006 2 0.0747 0.972 0.000 0.984 0.016
#> 57001 2 0.2878 0.893 0.000 0.904 0.096
#> 62001 2 0.0747 0.972 0.000 0.984 0.016
#> 62002 2 0.2625 0.906 0.000 0.916 0.084
#> 62003 3 0.0592 0.928 0.012 0.000 0.988
#> 63001 2 0.2448 0.909 0.076 0.924 0.000
#> 64001 2 0.0747 0.972 0.000 0.984 0.016
#> 64002 1 0.2448 0.981 0.924 0.000 0.076
#> 65005 2 0.0747 0.972 0.000 0.984 0.016
#> 68001 1 0.2448 0.981 0.924 0.000 0.076
#> 68003 3 0.4654 0.751 0.000 0.208 0.792
#> 84004 2 0.1337 0.964 0.012 0.972 0.016
#> LAL5 3 0.4750 0.740 0.000 0.216 0.784
#> 01003 3 0.2448 0.896 0.000 0.076 0.924
#> 01007 3 0.0000 0.936 0.000 0.000 1.000
#> 02020 3 0.0592 0.928 0.012 0.000 0.988
#> 04018 3 0.3752 0.831 0.000 0.144 0.856
#> 09002 3 0.2448 0.896 0.000 0.076 0.924
#> 10005 2 0.2448 0.909 0.076 0.924 0.000
#> 11002 2 0.2448 0.909 0.076 0.924 0.000
#> 12008 3 0.0000 0.936 0.000 0.000 1.000
#> 15006 1 0.2448 0.981 0.924 0.000 0.076
#> 16002 2 0.0747 0.972 0.000 0.984 0.016
#> 16007 2 0.0747 0.972 0.000 0.984 0.016
#> 17003 3 0.0000 0.936 0.000 0.000 1.000
#> 18001 2 0.0747 0.972 0.000 0.984 0.016
#> 19002 3 0.1031 0.932 0.000 0.024 0.976
#> 19008 2 0.0747 0.972 0.000 0.984 0.016
#> 19014 3 0.1031 0.932 0.000 0.024 0.976
#> 19017 2 0.0747 0.972 0.000 0.984 0.016
#> 20005 2 0.0747 0.972 0.000 0.984 0.016
#> 24006 3 0.0000 0.936 0.000 0.000 1.000
#> 26009 1 0.2448 0.981 0.924 0.000 0.076
#> 28008 2 0.2448 0.909 0.076 0.924 0.000
#> 28009 3 0.0892 0.933 0.000 0.020 0.980
#> 31015 2 0.0747 0.972 0.000 0.984 0.016
#> 37001 3 0.0000 0.936 0.000 0.000 1.000
#> 43006 2 0.0747 0.972 0.000 0.984 0.016
#> 43015 2 0.0747 0.972 0.000 0.984 0.016
#> 44001 2 0.7640 0.365 0.056 0.592 0.352
#> 49004 2 0.0747 0.972 0.000 0.984 0.016
#> 56007 3 0.4002 0.812 0.000 0.160 0.840
#> 64005 3 0.0000 0.936 0.000 0.000 1.000
#> 65003 3 0.1031 0.932 0.000 0.024 0.976
#> 83001 3 0.0892 0.933 0.000 0.020 0.980
#> LAL4 3 0.1031 0.932 0.000 0.024 0.976
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 4 0.2593 0.55554 0.000 0.016 0.080 0.904
#> 01010 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 03002 4 0.0000 0.62307 0.000 0.000 0.000 1.000
#> 04006 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 04007 4 0.4522 0.39757 0.000 0.320 0.000 0.680
#> 04008 1 0.4810 0.80162 0.764 0.196 0.036 0.004
#> 04010 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 04016 4 0.0592 0.62573 0.000 0.016 0.000 0.984
#> 06002 3 0.2675 0.88195 0.000 0.048 0.908 0.044
#> 08001 4 0.4382 0.44300 0.000 0.296 0.000 0.704
#> 08011 4 0.1256 0.60447 0.000 0.008 0.028 0.964
#> 08012 4 0.0000 0.62307 0.000 0.000 0.000 1.000
#> 08018 3 0.2032 0.88521 0.000 0.028 0.936 0.036
#> 08024 3 0.1302 0.89455 0.000 0.044 0.956 0.000
#> 09008 1 0.3852 0.83010 0.800 0.192 0.008 0.000
#> 09017 3 0.4610 0.70233 0.000 0.020 0.744 0.236
#> 11005 4 0.2805 0.60786 0.000 0.100 0.012 0.888
#> 12006 3 0.1716 0.88908 0.000 0.064 0.936 0.000
#> 12007 3 0.5873 0.36336 0.000 0.036 0.548 0.416
#> 12012 3 0.2589 0.88518 0.000 0.044 0.912 0.044
#> 12019 3 0.1211 0.89365 0.000 0.040 0.960 0.000
#> 12026 3 0.5375 0.73774 0.116 0.140 0.744 0.000
#> 14016 3 0.6522 0.55399 0.224 0.144 0.632 0.000
#> 15001 3 0.3674 0.84159 0.000 0.044 0.852 0.104
#> 15004 3 0.1174 0.89142 0.000 0.020 0.968 0.012
#> 15005 3 0.4728 0.77709 0.000 0.216 0.752 0.032
#> 16004 1 0.6332 0.00314 0.488 0.060 0.452 0.000
#> 16009 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 19005 3 0.2408 0.87866 0.000 0.104 0.896 0.000
#> 20002 1 0.4720 0.80475 0.768 0.196 0.032 0.004
#> 22009 3 0.2011 0.88593 0.000 0.080 0.920 0.000
#> 22010 3 0.0592 0.89414 0.000 0.016 0.984 0.000
#> 22011 4 0.0672 0.61597 0.000 0.008 0.008 0.984
#> 22013 3 0.2216 0.88240 0.000 0.092 0.908 0.000
#> 24001 4 0.0000 0.62307 0.000 0.000 0.000 1.000
#> 24005 4 0.4522 0.39757 0.000 0.320 0.000 0.680
#> 24008 2 0.4331 0.99726 0.000 0.712 0.000 0.288
#> 24010 2 0.4331 0.99726 0.000 0.712 0.000 0.288
#> 24011 3 0.2469 0.88083 0.000 0.108 0.892 0.000
#> 24017 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 24018 3 0.2281 0.88021 0.000 0.096 0.904 0.000
#> 24019 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 24022 4 0.3907 0.51920 0.000 0.232 0.000 0.768
#> 25003 3 0.0921 0.89512 0.000 0.028 0.972 0.000
#> 25006 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 26001 3 0.2408 0.87771 0.000 0.104 0.896 0.000
#> 26003 4 0.4331 0.45531 0.000 0.288 0.000 0.712
#> 26005 3 0.2589 0.88238 0.000 0.044 0.912 0.044
#> 26008 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 27003 3 0.0817 0.89402 0.000 0.024 0.976 0.000
#> 27004 4 0.4522 0.39757 0.000 0.320 0.000 0.680
#> 28001 3 0.2011 0.88420 0.000 0.080 0.920 0.000
#> 28003 3 0.0707 0.89445 0.000 0.020 0.980 0.000
#> 28005 4 0.4500 0.40561 0.000 0.316 0.000 0.684
#> 28006 2 0.4331 0.99726 0.000 0.712 0.000 0.288
#> 28007 4 0.4522 0.39757 0.000 0.320 0.000 0.680
#> 28019 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 28021 4 0.9137 -0.04997 0.084 0.208 0.320 0.388
#> 28023 4 0.4072 0.49868 0.000 0.252 0.000 0.748
#> 28024 4 0.3837 0.52635 0.000 0.224 0.000 0.776
#> 28028 4 0.4331 0.45531 0.000 0.288 0.000 0.712
#> 28031 3 0.1174 0.89142 0.000 0.020 0.968 0.012
#> 28032 4 0.3873 0.52276 0.000 0.228 0.000 0.772
#> 28035 1 0.3074 0.85924 0.848 0.152 0.000 0.000
#> 28036 4 0.3873 0.52276 0.000 0.228 0.000 0.772
#> 28037 1 0.3074 0.85924 0.848 0.152 0.000 0.000
#> 28042 3 0.1174 0.89142 0.000 0.020 0.968 0.012
#> 28043 4 0.0921 0.62723 0.000 0.028 0.000 0.972
#> 28044 4 0.7037 -0.04847 0.000 0.120 0.416 0.464
#> 28047 4 0.4500 0.40561 0.000 0.316 0.000 0.684
#> 30001 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 31007 3 0.2329 0.88534 0.000 0.072 0.916 0.012
#> 31011 4 0.2542 0.55516 0.000 0.012 0.084 0.904
#> 33005 1 0.3074 0.85924 0.848 0.152 0.000 0.000
#> 36001 3 0.3764 0.79346 0.000 0.216 0.784 0.000
#> 36002 4 0.0469 0.62517 0.000 0.012 0.000 0.988
#> 37013 3 0.4491 0.82188 0.000 0.140 0.800 0.060
#> 43001 3 0.2408 0.88048 0.000 0.104 0.896 0.000
#> 43004 3 0.1389 0.89170 0.000 0.048 0.952 0.000
#> 43007 4 0.4250 0.46728 0.000 0.276 0.000 0.724
#> 43012 3 0.1174 0.89142 0.000 0.020 0.968 0.012
#> 48001 3 0.2408 0.87788 0.000 0.104 0.896 0.000
#> 49006 4 0.1022 0.62628 0.000 0.032 0.000 0.968
#> 57001 4 0.3542 0.52496 0.000 0.076 0.060 0.864
#> 62001 4 0.0000 0.62307 0.000 0.000 0.000 1.000
#> 62002 4 0.3464 0.52933 0.000 0.076 0.056 0.868
#> 62003 3 0.2345 0.87946 0.000 0.100 0.900 0.000
#> 63001 2 0.4331 0.99726 0.000 0.712 0.000 0.288
#> 64001 4 0.0469 0.62517 0.000 0.012 0.000 0.988
#> 64002 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 65005 4 0.4522 0.39757 0.000 0.320 0.000 0.680
#> 68001 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 68003 4 0.6735 0.08219 0.000 0.096 0.388 0.516
#> 84004 4 0.4543 0.38825 0.000 0.324 0.000 0.676
#> LAL5 4 0.4908 0.30490 0.000 0.016 0.292 0.692
#> 01003 3 0.4468 0.70755 0.000 0.016 0.752 0.232
#> 01007 3 0.0469 0.89413 0.000 0.012 0.988 0.000
#> 02020 3 0.2011 0.88521 0.000 0.080 0.920 0.000
#> 04018 4 0.6552 -0.01971 0.000 0.076 0.440 0.484
#> 09002 3 0.5193 0.58048 0.000 0.020 0.656 0.324
#> 10005 2 0.4304 0.99316 0.000 0.716 0.000 0.284
#> 11002 2 0.4331 0.99726 0.000 0.712 0.000 0.288
#> 12008 3 0.1211 0.89347 0.000 0.040 0.960 0.000
#> 15006 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 16002 4 0.1118 0.62559 0.000 0.036 0.000 0.964
#> 16007 4 0.1118 0.62559 0.000 0.036 0.000 0.964
#> 17003 3 0.1637 0.88855 0.000 0.060 0.940 0.000
#> 18001 4 0.3172 0.57233 0.000 0.160 0.000 0.840
#> 19002 3 0.0592 0.89414 0.000 0.016 0.984 0.000
#> 19008 4 0.3164 0.59030 0.000 0.052 0.064 0.884
#> 19014 3 0.1174 0.89123 0.000 0.020 0.968 0.012
#> 19017 4 0.4304 0.45489 0.000 0.284 0.000 0.716
#> 20005 4 0.3837 0.52665 0.000 0.224 0.000 0.776
#> 24006 3 0.0336 0.89509 0.000 0.008 0.992 0.000
#> 26009 1 0.0000 0.91840 1.000 0.000 0.000 0.000
#> 28008 2 0.4304 0.99316 0.000 0.716 0.000 0.284
#> 28009 3 0.0707 0.89346 0.000 0.020 0.980 0.000
#> 31015 4 0.2216 0.60736 0.000 0.092 0.000 0.908
#> 37001 3 0.0592 0.89503 0.000 0.016 0.984 0.000
#> 43006 4 0.4500 0.40561 0.000 0.316 0.000 0.684
#> 43015 4 0.1677 0.59321 0.000 0.012 0.040 0.948
#> 44001 3 0.6055 0.23797 0.000 0.044 0.520 0.436
#> 49004 4 0.1118 0.62559 0.000 0.036 0.000 0.964
#> 56007 4 0.5594 -0.00795 0.000 0.020 0.460 0.520
#> 64005 3 0.1302 0.89317 0.000 0.044 0.956 0.000
#> 65003 3 0.1174 0.89142 0.000 0.020 0.968 0.012
#> 83001 3 0.7299 0.42047 0.000 0.176 0.512 0.312
#> LAL4 3 0.1174 0.89142 0.000 0.020 0.968 0.012
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 4 0.4269 0.3199 0.000 0.004 0.076 0.780 0.140
#> 01010 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 03002 4 0.1965 0.4929 0.000 0.000 0.000 0.904 0.096
#> 04006 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 04007 4 0.4287 0.3725 0.000 0.460 0.000 0.540 0.000
#> 04008 1 0.6493 0.3891 0.512 0.024 0.112 0.000 0.352
#> 04010 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 04016 4 0.1792 0.5656 0.000 0.084 0.000 0.916 0.000
#> 06002 3 0.4021 0.5778 0.000 0.016 0.800 0.036 0.148
#> 08001 4 0.4268 0.3940 0.000 0.444 0.000 0.556 0.000
#> 08011 4 0.3016 0.4300 0.000 0.000 0.020 0.848 0.132
#> 08012 4 0.1331 0.5344 0.000 0.008 0.000 0.952 0.040
#> 08018 3 0.5375 0.4139 0.000 0.004 0.668 0.108 0.220
#> 08024 3 0.2172 0.6887 0.000 0.016 0.908 0.000 0.076
#> 09008 1 0.5694 0.5331 0.584 0.024 0.048 0.000 0.344
#> 09017 3 0.6587 -0.3167 0.000 0.000 0.444 0.336 0.220
#> 11005 4 0.4245 0.4242 0.000 0.028 0.048 0.800 0.124
#> 12006 3 0.4234 0.6470 0.000 0.056 0.760 0.000 0.184
#> 12007 4 0.6555 -0.3702 0.000 0.004 0.312 0.488 0.196
#> 12012 3 0.3409 0.6340 0.000 0.016 0.844 0.024 0.116
#> 12019 3 0.1981 0.6901 0.000 0.016 0.920 0.000 0.064
#> 12026 3 0.5245 0.4943 0.020 0.064 0.692 0.000 0.224
#> 14016 3 0.6485 0.3749 0.092 0.068 0.608 0.000 0.232
#> 15001 3 0.4990 0.4168 0.000 0.012 0.732 0.104 0.152
#> 15004 3 0.3242 0.6667 0.000 0.000 0.784 0.000 0.216
#> 15005 3 0.5304 -0.0848 0.020 0.020 0.540 0.000 0.420
#> 16004 3 0.7479 -0.0259 0.380 0.064 0.396 0.000 0.160
#> 16009 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 19005 3 0.2927 0.6639 0.000 0.040 0.868 0.000 0.092
#> 20002 1 0.6375 0.4182 0.524 0.024 0.100 0.000 0.352
#> 22009 3 0.2473 0.6756 0.000 0.032 0.896 0.000 0.072
#> 22010 3 0.2424 0.6949 0.000 0.000 0.868 0.000 0.132
#> 22011 4 0.2230 0.4717 0.000 0.000 0.000 0.884 0.116
#> 22013 3 0.2830 0.6681 0.000 0.044 0.876 0.000 0.080
#> 24001 4 0.1106 0.5434 0.000 0.012 0.000 0.964 0.024
#> 24005 4 0.4287 0.3725 0.000 0.460 0.000 0.540 0.000
#> 24008 2 0.5312 0.9592 0.000 0.668 0.000 0.124 0.208
#> 24010 2 0.5090 0.9850 0.000 0.688 0.000 0.104 0.208
#> 24011 3 0.4793 0.5819 0.000 0.076 0.708 0.000 0.216
#> 24017 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 24018 3 0.2983 0.6663 0.000 0.040 0.864 0.000 0.096
#> 24019 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.4517 0.4464 0.000 0.388 0.000 0.600 0.012
#> 25003 3 0.2833 0.6454 0.000 0.004 0.852 0.004 0.140
#> 25006 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.3003 0.6617 0.000 0.044 0.864 0.000 0.092
#> 26003 4 0.4590 0.4045 0.000 0.420 0.000 0.568 0.012
#> 26005 3 0.3846 0.5864 0.000 0.016 0.816 0.036 0.132
#> 26008 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 27003 3 0.2852 0.6882 0.000 0.000 0.828 0.000 0.172
#> 27004 4 0.4291 0.3703 0.000 0.464 0.000 0.536 0.000
#> 28001 3 0.5051 0.5820 0.000 0.072 0.664 0.000 0.264
#> 28003 3 0.2329 0.7012 0.000 0.000 0.876 0.000 0.124
#> 28005 4 0.4291 0.3703 0.000 0.464 0.000 0.536 0.000
#> 28006 2 0.5013 0.9912 0.000 0.696 0.000 0.100 0.204
#> 28007 4 0.4287 0.3725 0.000 0.460 0.000 0.540 0.000
#> 28019 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 28021 5 0.8681 0.5804 0.104 0.048 0.172 0.256 0.420
#> 28023 4 0.4150 0.4437 0.000 0.388 0.000 0.612 0.000
#> 28024 4 0.4074 0.4605 0.000 0.364 0.000 0.636 0.000
#> 28028 4 0.4627 0.3935 0.000 0.444 0.000 0.544 0.012
#> 28031 3 0.3274 0.6641 0.000 0.000 0.780 0.000 0.220
#> 28032 4 0.4402 0.4642 0.000 0.352 0.000 0.636 0.012
#> 28035 1 0.4292 0.6921 0.704 0.024 0.000 0.000 0.272
#> 28036 4 0.4402 0.4642 0.000 0.352 0.000 0.636 0.012
#> 28037 1 0.4292 0.6921 0.704 0.024 0.000 0.000 0.272
#> 28042 3 0.3863 0.6500 0.000 0.000 0.772 0.028 0.200
#> 28043 4 0.1668 0.5565 0.000 0.032 0.000 0.940 0.028
#> 28044 4 0.6915 -0.5205 0.000 0.004 0.316 0.388 0.292
#> 28047 4 0.4291 0.3703 0.000 0.464 0.000 0.536 0.000
#> 30001 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 31007 3 0.4840 0.6024 0.000 0.056 0.676 0.000 0.268
#> 31011 4 0.3863 0.3599 0.000 0.000 0.052 0.796 0.152
#> 33005 1 0.4292 0.6921 0.704 0.024 0.000 0.000 0.272
#> 36001 3 0.4626 0.1488 0.000 0.020 0.616 0.000 0.364
#> 36002 4 0.1549 0.5568 0.000 0.040 0.000 0.944 0.016
#> 37013 3 0.4506 0.4748 0.000 0.004 0.716 0.036 0.244
#> 43001 3 0.4088 0.6105 0.000 0.056 0.776 0.000 0.168
#> 43004 3 0.1792 0.6970 0.000 0.000 0.916 0.000 0.084
#> 43007 4 0.3949 0.4642 0.000 0.332 0.000 0.668 0.000
#> 43012 3 0.3789 0.6451 0.000 0.000 0.760 0.016 0.224
#> 48001 3 0.2927 0.6660 0.000 0.040 0.868 0.000 0.092
#> 49006 4 0.2153 0.5542 0.000 0.044 0.000 0.916 0.040
#> 57001 4 0.3898 0.4448 0.000 0.032 0.028 0.820 0.120
#> 62001 4 0.1281 0.5390 0.000 0.012 0.000 0.956 0.032
#> 62002 4 0.3816 0.4425 0.000 0.028 0.028 0.824 0.120
#> 62003 3 0.3037 0.6640 0.000 0.040 0.860 0.000 0.100
#> 63001 2 0.5013 0.9912 0.000 0.696 0.000 0.100 0.204
#> 64001 4 0.1608 0.5644 0.000 0.072 0.000 0.928 0.000
#> 64002 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 65005 4 0.4287 0.3725 0.000 0.460 0.000 0.540 0.000
#> 68001 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 68003 4 0.6588 -0.3350 0.000 0.004 0.276 0.496 0.224
#> 84004 4 0.4291 0.3703 0.000 0.464 0.000 0.536 0.000
#> LAL5 4 0.6151 -0.1307 0.000 0.004 0.192 0.580 0.224
#> 01003 3 0.6659 -0.2903 0.000 0.000 0.436 0.316 0.248
#> 01007 3 0.2690 0.6842 0.000 0.000 0.844 0.000 0.156
#> 02020 3 0.2011 0.6883 0.000 0.004 0.908 0.000 0.088
#> 04018 4 0.6622 -0.3980 0.000 0.000 0.328 0.440 0.232
#> 09002 4 0.6851 -0.4024 0.000 0.004 0.316 0.416 0.264
#> 10005 2 0.5013 0.9912 0.000 0.696 0.000 0.100 0.204
#> 11002 2 0.5013 0.9912 0.000 0.696 0.000 0.100 0.204
#> 12008 3 0.2130 0.7126 0.000 0.012 0.908 0.000 0.080
#> 15006 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 16002 4 0.0798 0.5523 0.000 0.008 0.000 0.976 0.016
#> 16007 4 0.0451 0.5536 0.000 0.008 0.000 0.988 0.004
#> 17003 3 0.4066 0.6632 0.000 0.044 0.768 0.000 0.188
#> 18001 4 0.3561 0.5102 0.000 0.260 0.000 0.740 0.000
#> 19002 3 0.2561 0.6915 0.000 0.000 0.856 0.000 0.144
#> 19008 4 0.5234 0.1595 0.000 0.004 0.096 0.680 0.220
#> 19014 3 0.3003 0.6807 0.000 0.000 0.812 0.000 0.188
#> 19017 4 0.4298 0.4492 0.000 0.352 0.000 0.640 0.008
#> 20005 4 0.4387 0.4670 0.000 0.348 0.000 0.640 0.012
#> 24006 3 0.2020 0.7066 0.000 0.000 0.900 0.000 0.100
#> 26009 1 0.0000 0.8789 1.000 0.000 0.000 0.000 0.000
#> 28008 2 0.5013 0.9912 0.000 0.696 0.000 0.100 0.204
#> 28009 3 0.2891 0.6864 0.000 0.000 0.824 0.000 0.176
#> 31015 4 0.2144 0.5663 0.000 0.068 0.000 0.912 0.020
#> 37001 3 0.2377 0.7067 0.000 0.000 0.872 0.000 0.128
#> 43006 4 0.4622 0.3803 0.000 0.440 0.000 0.548 0.012
#> 43015 4 0.2848 0.4610 0.000 0.000 0.028 0.868 0.104
#> 44001 4 0.7003 -0.3844 0.000 0.008 0.356 0.368 0.268
#> 49004 4 0.1638 0.5258 0.000 0.004 0.000 0.932 0.064
#> 56007 4 0.6756 -0.3721 0.000 0.004 0.316 0.444 0.236
#> 64005 3 0.1430 0.7012 0.000 0.004 0.944 0.000 0.052
#> 65003 3 0.2966 0.6821 0.000 0.000 0.816 0.000 0.184
#> 83001 5 0.6912 0.5098 0.000 0.012 0.348 0.212 0.428
#> LAL4 3 0.2966 0.6821 0.000 0.000 0.816 0.000 0.184
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3492 0.6594 0.000 0.016 0.796 0.168 0.020 0.000
#> 01010 1 0.0146 0.8252 0.996 0.000 0.000 0.000 0.000 0.004
#> 03002 3 0.3298 0.6560 0.000 0.000 0.756 0.236 0.008 0.000
#> 04006 1 0.0000 0.8250 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 04008 5 0.8480 -0.1612 0.280 0.080 0.136 0.000 0.288 0.216
#> 04010 1 0.0146 0.8245 0.996 0.000 0.004 0.000 0.000 0.000
#> 04016 3 0.3996 0.3632 0.000 0.000 0.512 0.484 0.000 0.004
#> 06002 2 0.5128 0.4212 0.000 0.660 0.180 0.000 0.148 0.012
#> 08001 4 0.0260 0.8665 0.000 0.000 0.008 0.992 0.000 0.000
#> 08011 3 0.3284 0.6592 0.000 0.000 0.784 0.196 0.020 0.000
#> 08012 3 0.3636 0.6169 0.000 0.000 0.676 0.320 0.004 0.000
#> 08018 2 0.5481 0.3866 0.000 0.560 0.264 0.000 0.176 0.000
#> 08024 2 0.4687 0.4748 0.000 0.704 0.120 0.000 0.168 0.008
#> 09008 1 0.8194 0.1020 0.332 0.056 0.120 0.000 0.276 0.216
#> 09017 3 0.4817 0.1624 0.000 0.404 0.548 0.000 0.040 0.008
#> 11005 3 0.4966 0.6255 0.000 0.040 0.708 0.152 0.100 0.000
#> 12006 2 0.4293 0.2653 0.000 0.584 0.016 0.000 0.396 0.004
#> 12007 3 0.3424 0.5639 0.000 0.160 0.800 0.000 0.036 0.004
#> 12012 2 0.5166 0.4311 0.000 0.656 0.160 0.000 0.172 0.012
#> 12019 2 0.3718 0.5164 0.000 0.796 0.068 0.000 0.128 0.008
#> 12026 2 0.4452 0.0640 0.000 0.548 0.008 0.000 0.428 0.016
#> 14016 2 0.5220 -0.0447 0.032 0.496 0.008 0.000 0.444 0.020
#> 15001 2 0.4881 0.3564 0.000 0.644 0.276 0.000 0.068 0.012
#> 15004 2 0.4662 0.4900 0.000 0.668 0.096 0.000 0.236 0.000
#> 15005 5 0.7475 0.2221 0.000 0.320 0.144 0.000 0.320 0.216
#> 16004 5 0.6334 0.1922 0.312 0.324 0.000 0.000 0.356 0.008
#> 16009 1 0.0260 0.8249 0.992 0.000 0.000 0.000 0.000 0.008
#> 19005 2 0.3902 0.4456 0.000 0.748 0.028 0.000 0.212 0.012
#> 20002 1 0.8480 -0.0194 0.284 0.080 0.136 0.000 0.284 0.216
#> 22009 2 0.2558 0.5092 0.000 0.840 0.000 0.000 0.156 0.004
#> 22010 2 0.3411 0.5558 0.000 0.816 0.060 0.000 0.120 0.004
#> 22011 3 0.3483 0.6557 0.000 0.000 0.748 0.236 0.016 0.000
#> 22013 2 0.3243 0.4640 0.000 0.780 0.008 0.000 0.208 0.004
#> 24001 3 0.3714 0.5996 0.000 0.000 0.656 0.340 0.004 0.000
#> 24005 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 24008 6 0.3878 0.9049 0.000 0.000 0.056 0.176 0.004 0.764
#> 24010 6 0.3245 0.9744 0.000 0.000 0.008 0.228 0.000 0.764
#> 24011 5 0.4461 -0.0958 0.000 0.464 0.020 0.000 0.512 0.004
#> 24017 1 0.0146 0.8245 0.996 0.000 0.004 0.000 0.000 0.000
#> 24018 2 0.2902 0.4750 0.000 0.800 0.000 0.000 0.196 0.004
#> 24019 1 0.0260 0.8249 0.992 0.000 0.000 0.000 0.000 0.008
#> 24022 4 0.2294 0.8543 0.000 0.000 0.072 0.892 0.036 0.000
#> 25003 2 0.2848 0.5464 0.000 0.848 0.124 0.000 0.024 0.004
#> 25006 1 0.0260 0.8249 0.992 0.000 0.000 0.000 0.000 0.008
#> 26001 2 0.3507 0.4507 0.000 0.764 0.012 0.000 0.216 0.008
#> 26003 4 0.2571 0.8315 0.000 0.000 0.064 0.876 0.060 0.000
#> 26005 2 0.5017 0.4338 0.000 0.672 0.184 0.000 0.132 0.012
#> 26008 1 0.0000 0.8250 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 2 0.4085 0.4998 0.000 0.716 0.052 0.000 0.232 0.000
#> 27004 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 28001 5 0.4118 -0.0795 0.000 0.396 0.008 0.000 0.592 0.004
#> 28003 2 0.3066 0.5565 0.000 0.832 0.044 0.000 0.124 0.000
#> 28005 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 28006 6 0.3050 0.9814 0.000 0.000 0.000 0.236 0.000 0.764
#> 28007 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 28019 1 0.0146 0.8252 0.996 0.000 0.000 0.000 0.000 0.004
#> 28021 5 0.8804 0.1756 0.048 0.096 0.284 0.052 0.296 0.224
#> 28023 4 0.1007 0.8621 0.000 0.000 0.044 0.956 0.000 0.000
#> 28024 4 0.1501 0.8451 0.000 0.000 0.076 0.924 0.000 0.000
#> 28028 4 0.1644 0.8523 0.000 0.000 0.028 0.932 0.040 0.000
#> 28031 2 0.4662 0.4900 0.000 0.668 0.096 0.000 0.236 0.000
#> 28032 4 0.3270 0.8142 0.000 0.000 0.120 0.820 0.060 0.000
#> 28035 1 0.6925 0.3919 0.480 0.000 0.104 0.000 0.212 0.204
#> 28036 4 0.3328 0.8123 0.000 0.000 0.120 0.816 0.064 0.000
#> 28037 1 0.6925 0.3919 0.480 0.000 0.104 0.000 0.212 0.204
#> 28042 2 0.4769 0.4806 0.000 0.656 0.104 0.000 0.240 0.000
#> 28043 3 0.4870 0.4831 0.000 0.000 0.568 0.372 0.056 0.004
#> 28044 3 0.5251 0.3439 0.000 0.304 0.608 0.004 0.064 0.020
#> 28047 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 30001 1 0.0146 0.8245 0.996 0.000 0.004 0.000 0.000 0.000
#> 31007 5 0.4928 -0.2696 0.000 0.444 0.052 0.000 0.500 0.004
#> 31011 3 0.3818 0.6650 0.000 0.020 0.776 0.180 0.020 0.004
#> 33005 1 0.6925 0.3919 0.480 0.000 0.104 0.000 0.212 0.204
#> 36001 2 0.7316 -0.3149 0.000 0.368 0.120 0.000 0.304 0.208
#> 36002 3 0.3862 0.5395 0.000 0.000 0.608 0.388 0.004 0.000
#> 37013 2 0.5110 0.4034 0.000 0.680 0.164 0.000 0.132 0.024
#> 43001 2 0.3925 0.3050 0.000 0.656 0.008 0.000 0.332 0.004
#> 43004 2 0.2007 0.5642 0.000 0.916 0.036 0.000 0.044 0.004
#> 43007 4 0.4445 0.4503 0.000 0.000 0.288 0.656 0.056 0.000
#> 43012 2 0.4809 0.4781 0.000 0.652 0.108 0.000 0.240 0.000
#> 48001 2 0.2814 0.4904 0.000 0.820 0.000 0.000 0.172 0.008
#> 49006 3 0.3905 0.6127 0.000 0.000 0.668 0.316 0.016 0.000
#> 57001 3 0.4718 0.5823 0.000 0.004 0.612 0.344 0.024 0.016
#> 62001 3 0.4089 0.5867 0.000 0.000 0.632 0.352 0.012 0.004
#> 62002 3 0.4691 0.5913 0.000 0.004 0.620 0.336 0.024 0.016
#> 62003 2 0.2994 0.4679 0.000 0.788 0.000 0.000 0.208 0.004
#> 63001 6 0.3050 0.9814 0.000 0.000 0.000 0.236 0.000 0.764
#> 64001 3 0.3937 0.4847 0.000 0.000 0.572 0.424 0.004 0.000
#> 64002 1 0.0146 0.8245 0.996 0.000 0.004 0.000 0.000 0.000
#> 65005 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> 68001 1 0.0260 0.8249 0.992 0.000 0.000 0.000 0.000 0.008
#> 68003 3 0.5138 0.4866 0.000 0.232 0.672 0.028 0.056 0.012
#> 84004 4 0.0146 0.8653 0.000 0.000 0.004 0.996 0.000 0.000
#> LAL5 3 0.4335 0.6207 0.000 0.124 0.776 0.040 0.052 0.008
#> 01003 3 0.5550 -0.0418 0.000 0.428 0.460 0.000 0.104 0.008
#> 01007 2 0.3565 0.5625 0.000 0.808 0.092 0.000 0.096 0.004
#> 02020 2 0.2214 0.5378 0.000 0.892 0.012 0.000 0.092 0.004
#> 04018 3 0.5092 0.3621 0.000 0.328 0.604 0.016 0.044 0.008
#> 09002 3 0.4277 0.5355 0.000 0.144 0.732 0.000 0.124 0.000
#> 10005 6 0.3050 0.9814 0.000 0.000 0.000 0.236 0.000 0.764
#> 11002 6 0.3050 0.9814 0.000 0.000 0.000 0.236 0.000 0.764
#> 12008 2 0.2877 0.5479 0.000 0.820 0.012 0.000 0.168 0.000
#> 15006 1 0.0146 0.8251 0.996 0.000 0.000 0.000 0.000 0.004
#> 16002 3 0.4278 0.5607 0.000 0.000 0.632 0.336 0.032 0.000
#> 16007 3 0.4131 0.5636 0.000 0.000 0.624 0.356 0.020 0.000
#> 17003 2 0.3923 0.3347 0.000 0.580 0.000 0.000 0.416 0.004
#> 18001 4 0.3688 0.5417 0.000 0.000 0.256 0.724 0.020 0.000
#> 19002 2 0.3511 0.5550 0.000 0.808 0.064 0.000 0.124 0.004
#> 19008 3 0.4586 0.6268 0.000 0.072 0.756 0.076 0.096 0.000
#> 19014 2 0.3968 0.5274 0.000 0.756 0.060 0.000 0.180 0.004
#> 19017 4 0.4638 0.4709 0.000 0.000 0.296 0.636 0.068 0.000
#> 20005 4 0.3354 0.8057 0.000 0.000 0.128 0.812 0.060 0.000
#> 24006 2 0.2697 0.5661 0.000 0.864 0.044 0.000 0.092 0.000
#> 26009 1 0.0260 0.8249 0.992 0.000 0.000 0.000 0.000 0.008
#> 28008 6 0.3050 0.9814 0.000 0.000 0.000 0.236 0.000 0.764
#> 28009 2 0.4085 0.4998 0.000 0.716 0.052 0.000 0.232 0.000
#> 31015 3 0.4210 0.5636 0.000 0.000 0.636 0.336 0.028 0.000
#> 37001 2 0.2999 0.5584 0.000 0.836 0.040 0.000 0.124 0.000
#> 43006 4 0.2512 0.8304 0.000 0.000 0.060 0.880 0.060 0.000
#> 43015 3 0.3991 0.6485 0.000 0.000 0.724 0.240 0.028 0.008
#> 44001 3 0.6419 0.1238 0.000 0.188 0.448 0.032 0.332 0.000
#> 49004 3 0.4050 0.6359 0.000 0.000 0.716 0.236 0.048 0.000
#> 56007 3 0.5105 0.4182 0.000 0.288 0.632 0.016 0.056 0.008
#> 64005 2 0.1152 0.5601 0.000 0.952 0.004 0.000 0.044 0.000
#> 65003 2 0.4198 0.4962 0.000 0.708 0.060 0.000 0.232 0.000
#> 83001 2 0.7403 -0.1686 0.000 0.332 0.280 0.000 0.272 0.116
#> LAL4 2 0.4147 0.5010 0.000 0.716 0.060 0.000 0.224 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:kmeans 115 0.499 0.5622 0.380 2
#> ATC:kmeans 124 0.927 0.0336 0.463 3
#> ATC:kmeans 103 0.981 0.1789 0.661 4
#> ATC:kmeans 78 0.982 0.7164 0.899 5
#> ATC:kmeans 77 0.947 0.0195 0.178 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "skmeans"]
# you can also extract it by
# res = res_list["ATC:skmeans"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.972 0.988 0.5041 0.496 0.496
#> 3 3 0.915 0.886 0.954 0.2817 0.814 0.640
#> 4 4 0.720 0.610 0.772 0.1154 0.924 0.794
#> 5 5 0.717 0.574 0.776 0.0762 0.820 0.480
#> 6 6 0.713 0.619 0.764 0.0401 0.901 0.605
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> attr(,"optional")
#> [1] 2
There is also optional best \(k\) = 2 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.000 0.995 0.000 1.000
#> 01010 1 0.000 0.980 1.000 0.000
#> 03002 2 0.000 0.995 0.000 1.000
#> 04006 1 0.000 0.980 1.000 0.000
#> 04007 2 0.000 0.995 0.000 1.000
#> 04008 1 0.000 0.980 1.000 0.000
#> 04010 1 0.000 0.980 1.000 0.000
#> 04016 2 0.000 0.995 0.000 1.000
#> 06002 1 0.000 0.980 1.000 0.000
#> 08001 2 0.000 0.995 0.000 1.000
#> 08011 2 0.000 0.995 0.000 1.000
#> 08012 2 0.000 0.995 0.000 1.000
#> 08018 2 0.184 0.968 0.028 0.972
#> 08024 1 0.000 0.980 1.000 0.000
#> 09008 1 0.000 0.980 1.000 0.000
#> 09017 2 0.000 0.995 0.000 1.000
#> 11005 2 0.000 0.995 0.000 1.000
#> 12006 1 0.000 0.980 1.000 0.000
#> 12007 2 0.000 0.995 0.000 1.000
#> 12012 1 0.000 0.980 1.000 0.000
#> 12019 1 0.000 0.980 1.000 0.000
#> 12026 1 0.000 0.980 1.000 0.000
#> 14016 1 0.000 0.980 1.000 0.000
#> 15001 1 0.000 0.980 1.000 0.000
#> 15004 1 0.163 0.959 0.976 0.024
#> 15005 1 0.000 0.980 1.000 0.000
#> 16004 1 0.000 0.980 1.000 0.000
#> 16009 1 0.000 0.980 1.000 0.000
#> 19005 1 0.000 0.980 1.000 0.000
#> 20002 1 0.000 0.980 1.000 0.000
#> 22009 1 0.000 0.980 1.000 0.000
#> 22010 1 0.000 0.980 1.000 0.000
#> 22011 2 0.000 0.995 0.000 1.000
#> 22013 1 0.000 0.980 1.000 0.000
#> 24001 2 0.000 0.995 0.000 1.000
#> 24005 2 0.000 0.995 0.000 1.000
#> 24008 2 0.000 0.995 0.000 1.000
#> 24010 2 0.000 0.995 0.000 1.000
#> 24011 1 0.000 0.980 1.000 0.000
#> 24017 1 0.000 0.980 1.000 0.000
#> 24018 1 0.000 0.980 1.000 0.000
#> 24019 1 0.000 0.980 1.000 0.000
#> 24022 2 0.000 0.995 0.000 1.000
#> 25003 1 0.000 0.980 1.000 0.000
#> 25006 1 0.000 0.980 1.000 0.000
#> 26001 1 0.000 0.980 1.000 0.000
#> 26003 2 0.000 0.995 0.000 1.000
#> 26005 1 0.000 0.980 1.000 0.000
#> 26008 1 0.000 0.980 1.000 0.000
#> 27003 1 0.000 0.980 1.000 0.000
#> 27004 2 0.000 0.995 0.000 1.000
#> 28001 1 0.000 0.980 1.000 0.000
#> 28003 1 0.000 0.980 1.000 0.000
#> 28005 2 0.000 0.995 0.000 1.000
#> 28006 2 0.000 0.995 0.000 1.000
#> 28007 2 0.000 0.995 0.000 1.000
#> 28019 1 0.000 0.980 1.000 0.000
#> 28021 1 0.456 0.887 0.904 0.096
#> 28023 2 0.000 0.995 0.000 1.000
#> 28024 2 0.000 0.995 0.000 1.000
#> 28028 2 0.000 0.995 0.000 1.000
#> 28031 1 0.955 0.422 0.624 0.376
#> 28032 2 0.000 0.995 0.000 1.000
#> 28035 1 0.000 0.980 1.000 0.000
#> 28036 2 0.000 0.995 0.000 1.000
#> 28037 1 0.000 0.980 1.000 0.000
#> 28042 2 0.000 0.995 0.000 1.000
#> 28043 2 0.000 0.995 0.000 1.000
#> 28044 2 0.373 0.920 0.072 0.928
#> 28047 2 0.000 0.995 0.000 1.000
#> 30001 1 0.000 0.980 1.000 0.000
#> 31007 1 0.900 0.558 0.684 0.316
#> 31011 2 0.000 0.995 0.000 1.000
#> 33005 1 0.000 0.980 1.000 0.000
#> 36001 1 0.000 0.980 1.000 0.000
#> 36002 2 0.000 0.995 0.000 1.000
#> 37013 1 0.000 0.980 1.000 0.000
#> 43001 1 0.000 0.980 1.000 0.000
#> 43004 1 0.000 0.980 1.000 0.000
#> 43007 2 0.000 0.995 0.000 1.000
#> 43012 2 0.680 0.774 0.180 0.820
#> 48001 1 0.000 0.980 1.000 0.000
#> 49006 2 0.000 0.995 0.000 1.000
#> 57001 2 0.000 0.995 0.000 1.000
#> 62001 2 0.000 0.995 0.000 1.000
#> 62002 2 0.000 0.995 0.000 1.000
#> 62003 1 0.000 0.980 1.000 0.000
#> 63001 2 0.000 0.995 0.000 1.000
#> 64001 2 0.000 0.995 0.000 1.000
#> 64002 1 0.000 0.980 1.000 0.000
#> 65005 2 0.000 0.995 0.000 1.000
#> 68001 1 0.000 0.980 1.000 0.000
#> 68003 2 0.000 0.995 0.000 1.000
#> 84004 2 0.000 0.995 0.000 1.000
#> LAL5 2 0.000 0.995 0.000 1.000
#> 01003 2 0.000 0.995 0.000 1.000
#> 01007 1 0.000 0.980 1.000 0.000
#> 02020 1 0.000 0.980 1.000 0.000
#> 04018 2 0.000 0.995 0.000 1.000
#> 09002 2 0.000 0.995 0.000 1.000
#> 10005 2 0.000 0.995 0.000 1.000
#> 11002 2 0.000 0.995 0.000 1.000
#> 12008 1 0.000 0.980 1.000 0.000
#> 15006 1 0.000 0.980 1.000 0.000
#> 16002 2 0.000 0.995 0.000 1.000
#> 16007 2 0.000 0.995 0.000 1.000
#> 17003 1 0.000 0.980 1.000 0.000
#> 18001 2 0.000 0.995 0.000 1.000
#> 19002 1 0.000 0.980 1.000 0.000
#> 19008 2 0.000 0.995 0.000 1.000
#> 19014 1 0.730 0.753 0.796 0.204
#> 19017 2 0.000 0.995 0.000 1.000
#> 20005 2 0.000 0.995 0.000 1.000
#> 24006 1 0.000 0.980 1.000 0.000
#> 26009 1 0.000 0.980 1.000 0.000
#> 28008 2 0.000 0.995 0.000 1.000
#> 28009 1 0.000 0.980 1.000 0.000
#> 31015 2 0.000 0.995 0.000 1.000
#> 37001 1 0.000 0.980 1.000 0.000
#> 43006 2 0.000 0.995 0.000 1.000
#> 43015 2 0.000 0.995 0.000 1.000
#> 44001 2 0.000 0.995 0.000 1.000
#> 49004 2 0.000 0.995 0.000 1.000
#> 56007 2 0.000 0.995 0.000 1.000
#> 64005 1 0.000 0.980 1.000 0.000
#> 65003 1 0.456 0.888 0.904 0.096
#> 83001 1 0.000 0.980 1.000 0.000
#> LAL4 1 0.689 0.781 0.816 0.184
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.0000 0.9908 0.000 1.000 0.000
#> 01010 1 0.0000 0.9684 1.000 0.000 0.000
#> 03002 2 0.0000 0.9908 0.000 1.000 0.000
#> 04006 1 0.0000 0.9684 1.000 0.000 0.000
#> 04007 2 0.0000 0.9908 0.000 1.000 0.000
#> 04008 1 0.0000 0.9684 1.000 0.000 0.000
#> 04010 1 0.0000 0.9684 1.000 0.000 0.000
#> 04016 2 0.0000 0.9908 0.000 1.000 0.000
#> 06002 1 0.0000 0.9684 1.000 0.000 0.000
#> 08001 2 0.0000 0.9908 0.000 1.000 0.000
#> 08011 2 0.0000 0.9908 0.000 1.000 0.000
#> 08012 2 0.0000 0.9908 0.000 1.000 0.000
#> 08018 3 0.6095 0.3753 0.000 0.392 0.608
#> 08024 3 0.6126 0.4090 0.400 0.000 0.600
#> 09008 1 0.0000 0.9684 1.000 0.000 0.000
#> 09017 3 0.5650 0.5388 0.000 0.312 0.688
#> 11005 2 0.0000 0.9908 0.000 1.000 0.000
#> 12006 3 0.0000 0.8646 0.000 0.000 1.000
#> 12007 2 0.0000 0.9908 0.000 1.000 0.000
#> 12012 1 0.5733 0.4119 0.676 0.000 0.324
#> 12019 3 0.6180 0.3776 0.416 0.000 0.584
#> 12026 1 0.6291 -0.0812 0.532 0.000 0.468
#> 14016 3 0.6260 0.3059 0.448 0.000 0.552
#> 15001 1 0.0000 0.9684 1.000 0.000 0.000
#> 15004 3 0.0000 0.8646 0.000 0.000 1.000
#> 15005 1 0.0000 0.9684 1.000 0.000 0.000
#> 16004 3 0.6244 0.3259 0.440 0.000 0.560
#> 16009 1 0.0000 0.9684 1.000 0.000 0.000
#> 19005 1 0.0000 0.9684 1.000 0.000 0.000
#> 20002 1 0.0000 0.9684 1.000 0.000 0.000
#> 22009 3 0.0424 0.8622 0.008 0.000 0.992
#> 22010 3 0.0000 0.8646 0.000 0.000 1.000
#> 22011 2 0.0000 0.9908 0.000 1.000 0.000
#> 22013 3 0.0424 0.8622 0.008 0.000 0.992
#> 24001 2 0.0000 0.9908 0.000 1.000 0.000
#> 24005 2 0.0000 0.9908 0.000 1.000 0.000
#> 24008 2 0.0000 0.9908 0.000 1.000 0.000
#> 24010 2 0.0000 0.9908 0.000 1.000 0.000
#> 24011 3 0.6252 0.3161 0.444 0.000 0.556
#> 24017 1 0.0000 0.9684 1.000 0.000 0.000
#> 24018 3 0.0424 0.8622 0.008 0.000 0.992
#> 24019 1 0.0000 0.9684 1.000 0.000 0.000
#> 24022 2 0.0000 0.9908 0.000 1.000 0.000
#> 25003 3 0.0000 0.8646 0.000 0.000 1.000
#> 25006 1 0.0000 0.9684 1.000 0.000 0.000
#> 26001 3 0.6244 0.3259 0.440 0.000 0.560
#> 26003 2 0.0000 0.9908 0.000 1.000 0.000
#> 26005 1 0.0000 0.9684 1.000 0.000 0.000
#> 26008 1 0.0000 0.9684 1.000 0.000 0.000
#> 27003 3 0.0000 0.8646 0.000 0.000 1.000
#> 27004 2 0.0000 0.9908 0.000 1.000 0.000
#> 28001 3 0.0000 0.8646 0.000 0.000 1.000
#> 28003 3 0.0000 0.8646 0.000 0.000 1.000
#> 28005 2 0.0000 0.9908 0.000 1.000 0.000
#> 28006 2 0.0000 0.9908 0.000 1.000 0.000
#> 28007 2 0.0000 0.9908 0.000 1.000 0.000
#> 28019 1 0.0000 0.9684 1.000 0.000 0.000
#> 28021 1 0.0000 0.9684 1.000 0.000 0.000
#> 28023 2 0.0000 0.9908 0.000 1.000 0.000
#> 28024 2 0.0000 0.9908 0.000 1.000 0.000
#> 28028 2 0.0000 0.9908 0.000 1.000 0.000
#> 28031 3 0.0000 0.8646 0.000 0.000 1.000
#> 28032 2 0.0000 0.9908 0.000 1.000 0.000
#> 28035 1 0.0000 0.9684 1.000 0.000 0.000
#> 28036 2 0.0000 0.9908 0.000 1.000 0.000
#> 28037 1 0.0000 0.9684 1.000 0.000 0.000
#> 28042 3 0.0000 0.8646 0.000 0.000 1.000
#> 28043 2 0.0000 0.9908 0.000 1.000 0.000
#> 28044 2 0.4796 0.7130 0.220 0.780 0.000
#> 28047 2 0.0000 0.9908 0.000 1.000 0.000
#> 30001 1 0.0000 0.9684 1.000 0.000 0.000
#> 31007 3 0.0000 0.8646 0.000 0.000 1.000
#> 31011 2 0.0000 0.9908 0.000 1.000 0.000
#> 33005 1 0.0000 0.9684 1.000 0.000 0.000
#> 36001 1 0.0000 0.9684 1.000 0.000 0.000
#> 36002 2 0.0000 0.9908 0.000 1.000 0.000
#> 37013 1 0.0000 0.9684 1.000 0.000 0.000
#> 43001 3 0.2878 0.7998 0.096 0.000 0.904
#> 43004 3 0.0424 0.8622 0.008 0.000 0.992
#> 43007 2 0.0000 0.9908 0.000 1.000 0.000
#> 43012 3 0.0000 0.8646 0.000 0.000 1.000
#> 48001 3 0.6295 0.2384 0.472 0.000 0.528
#> 49006 2 0.0000 0.9908 0.000 1.000 0.000
#> 57001 2 0.0000 0.9908 0.000 1.000 0.000
#> 62001 2 0.0000 0.9908 0.000 1.000 0.000
#> 62002 2 0.0000 0.9908 0.000 1.000 0.000
#> 62003 3 0.0424 0.8622 0.008 0.000 0.992
#> 63001 2 0.0000 0.9908 0.000 1.000 0.000
#> 64001 2 0.0000 0.9908 0.000 1.000 0.000
#> 64002 1 0.0000 0.9684 1.000 0.000 0.000
#> 65005 2 0.0000 0.9908 0.000 1.000 0.000
#> 68001 1 0.0000 0.9684 1.000 0.000 0.000
#> 68003 2 0.0000 0.9908 0.000 1.000 0.000
#> 84004 2 0.0000 0.9908 0.000 1.000 0.000
#> LAL5 2 0.0000 0.9908 0.000 1.000 0.000
#> 01003 3 0.4178 0.6973 0.000 0.172 0.828
#> 01007 3 0.0000 0.8646 0.000 0.000 1.000
#> 02020 3 0.6308 0.1746 0.492 0.000 0.508
#> 04018 2 0.0000 0.9908 0.000 1.000 0.000
#> 09002 2 0.0000 0.9908 0.000 1.000 0.000
#> 10005 2 0.0000 0.9908 0.000 1.000 0.000
#> 11002 2 0.0000 0.9908 0.000 1.000 0.000
#> 12008 3 0.0000 0.8646 0.000 0.000 1.000
#> 15006 1 0.0000 0.9684 1.000 0.000 0.000
#> 16002 2 0.0000 0.9908 0.000 1.000 0.000
#> 16007 2 0.0000 0.9908 0.000 1.000 0.000
#> 17003 3 0.0237 0.8635 0.004 0.000 0.996
#> 18001 2 0.0000 0.9908 0.000 1.000 0.000
#> 19002 3 0.0000 0.8646 0.000 0.000 1.000
#> 19008 2 0.0000 0.9908 0.000 1.000 0.000
#> 19014 3 0.0000 0.8646 0.000 0.000 1.000
#> 19017 2 0.0000 0.9908 0.000 1.000 0.000
#> 20005 2 0.0000 0.9908 0.000 1.000 0.000
#> 24006 3 0.0000 0.8646 0.000 0.000 1.000
#> 26009 1 0.0000 0.9684 1.000 0.000 0.000
#> 28008 2 0.0000 0.9908 0.000 1.000 0.000
#> 28009 3 0.0000 0.8646 0.000 0.000 1.000
#> 31015 2 0.0000 0.9908 0.000 1.000 0.000
#> 37001 3 0.0000 0.8646 0.000 0.000 1.000
#> 43006 2 0.0000 0.9908 0.000 1.000 0.000
#> 43015 2 0.0000 0.9908 0.000 1.000 0.000
#> 44001 2 0.5216 0.6169 0.000 0.740 0.260
#> 49004 2 0.0000 0.9908 0.000 1.000 0.000
#> 56007 2 0.0592 0.9795 0.000 0.988 0.012
#> 64005 3 0.0424 0.8622 0.008 0.000 0.992
#> 65003 3 0.0000 0.8646 0.000 0.000 1.000
#> 83001 1 0.0000 0.9684 1.000 0.000 0.000
#> LAL4 3 0.0000 0.8646 0.000 0.000 1.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0592 0.4836 0.000 0.000 0.984 0.016
#> 01010 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 03002 3 0.3123 0.5036 0.000 0.000 0.844 0.156
#> 04006 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 04007 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 04008 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 04016 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 06002 1 0.4936 0.6008 0.700 0.280 0.000 0.020
#> 08001 3 0.4776 0.4790 0.000 0.000 0.624 0.376
#> 08011 3 0.0592 0.4836 0.000 0.000 0.984 0.016
#> 08012 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 08018 3 0.7345 -0.1708 0.000 0.308 0.508 0.184
#> 08024 2 0.5637 0.6997 0.112 0.720 0.000 0.168
#> 09008 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 09017 4 0.5151 0.4396 0.000 0.140 0.100 0.760
#> 11005 3 0.2081 0.4328 0.000 0.000 0.916 0.084
#> 12006 2 0.3074 0.7527 0.000 0.848 0.000 0.152
#> 12007 3 0.4158 0.4032 0.000 0.008 0.768 0.224
#> 12012 2 0.8665 0.1821 0.344 0.436 0.148 0.072
#> 12019 2 0.4245 0.6557 0.196 0.784 0.000 0.020
#> 12026 2 0.4781 0.4709 0.336 0.660 0.000 0.004
#> 14016 2 0.4401 0.5848 0.272 0.724 0.000 0.004
#> 15001 1 0.6221 0.5380 0.644 0.256 0.000 0.100
#> 15004 2 0.4941 0.7310 0.000 0.564 0.000 0.436
#> 15005 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 16004 2 0.4313 0.6077 0.260 0.736 0.000 0.004
#> 16009 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 19005 1 0.0188 0.9564 0.996 0.004 0.000 0.000
#> 20002 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 22009 2 0.0804 0.7625 0.012 0.980 0.000 0.008
#> 22010 2 0.4431 0.7312 0.000 0.696 0.000 0.304
#> 22011 3 0.3400 0.5034 0.000 0.000 0.820 0.180
#> 22013 2 0.0895 0.7617 0.020 0.976 0.000 0.004
#> 24001 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 24005 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 24008 3 0.0336 0.4910 0.000 0.000 0.992 0.008
#> 24010 3 0.0336 0.4910 0.000 0.000 0.992 0.008
#> 24011 2 0.6188 0.6963 0.104 0.708 0.020 0.168
#> 24017 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 24018 2 0.1411 0.7675 0.020 0.960 0.000 0.020
#> 24019 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 24022 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 25003 2 0.0817 0.7603 0.000 0.976 0.000 0.024
#> 25006 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 26001 2 0.3870 0.6503 0.208 0.788 0.000 0.004
#> 26003 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 26005 1 0.4963 0.5940 0.696 0.284 0.000 0.020
#> 26008 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 27003 2 0.4907 0.7370 0.000 0.580 0.000 0.420
#> 27004 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 28001 2 0.3726 0.7630 0.000 0.788 0.000 0.212
#> 28003 2 0.4406 0.7325 0.000 0.700 0.000 0.300
#> 28005 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 28006 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 28007 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 28019 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 28023 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 28024 3 0.4916 0.3882 0.000 0.000 0.576 0.424
#> 28028 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 28031 2 0.5112 0.7293 0.000 0.560 0.004 0.436
#> 28032 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 28035 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 28036 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 28037 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 28042 2 0.4941 0.7310 0.000 0.564 0.000 0.436
#> 28043 3 0.4972 0.3058 0.000 0.000 0.544 0.456
#> 28044 4 0.8013 0.3606 0.280 0.068 0.108 0.544
#> 28047 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 30001 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 31007 2 0.5522 0.7463 0.000 0.668 0.044 0.288
#> 31011 3 0.4730 0.4973 0.000 0.000 0.636 0.364
#> 33005 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 36002 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 37013 1 0.1004 0.9373 0.972 0.024 0.000 0.004
#> 43001 2 0.2859 0.7359 0.112 0.880 0.000 0.008
#> 43004 2 0.3831 0.7584 0.004 0.792 0.000 0.204
#> 43007 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 43012 2 0.4941 0.7310 0.000 0.564 0.000 0.436
#> 48001 2 0.5329 0.4003 0.420 0.568 0.000 0.012
#> 49006 3 0.0469 0.4875 0.000 0.000 0.988 0.012
#> 57001 4 0.4989 -0.0732 0.000 0.000 0.472 0.528
#> 62001 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 62002 4 0.4989 -0.0732 0.000 0.000 0.472 0.528
#> 62003 2 0.1004 0.7639 0.024 0.972 0.000 0.004
#> 63001 3 0.0336 0.4910 0.000 0.000 0.992 0.008
#> 64001 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 64002 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 65005 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 68001 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 68003 4 0.5558 0.1021 0.000 0.020 0.432 0.548
#> 84004 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> LAL5 3 0.4972 0.2939 0.000 0.000 0.544 0.456
#> 01003 4 0.3751 0.2828 0.000 0.196 0.004 0.800
#> 01007 2 0.4950 0.7518 0.004 0.620 0.000 0.376
#> 02020 2 0.4891 0.5566 0.308 0.680 0.000 0.012
#> 04018 4 0.5466 0.4456 0.000 0.068 0.220 0.712
#> 09002 3 0.3726 0.2597 0.000 0.000 0.788 0.212
#> 10005 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 11002 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 12008 2 0.0592 0.7636 0.000 0.984 0.000 0.016
#> 15006 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 16002 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 16007 3 0.4661 0.5089 0.000 0.000 0.652 0.348
#> 17003 2 0.3726 0.7655 0.000 0.788 0.000 0.212
#> 18001 3 0.4697 0.5091 0.000 0.000 0.644 0.356
#> 19002 2 0.4543 0.7247 0.000 0.676 0.000 0.324
#> 19008 3 0.2149 0.4288 0.000 0.000 0.912 0.088
#> 19014 2 0.4543 0.7240 0.000 0.676 0.000 0.324
#> 19017 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 20005 3 0.4955 0.3449 0.000 0.000 0.556 0.444
#> 24006 2 0.3688 0.7584 0.000 0.792 0.000 0.208
#> 26009 1 0.0000 0.9596 1.000 0.000 0.000 0.000
#> 28008 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 28009 2 0.4941 0.7310 0.000 0.564 0.000 0.436
#> 31015 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 37001 2 0.4382 0.7342 0.000 0.704 0.000 0.296
#> 43006 3 0.4941 0.3581 0.000 0.000 0.564 0.436
#> 43015 3 0.4972 0.3057 0.000 0.000 0.544 0.456
#> 44001 3 0.3498 0.2657 0.000 0.008 0.832 0.160
#> 49004 3 0.0000 0.4962 0.000 0.000 1.000 0.000
#> 56007 4 0.5756 0.2752 0.000 0.036 0.372 0.592
#> 64005 2 0.1256 0.7652 0.008 0.964 0.000 0.028
#> 65003 2 0.4941 0.7310 0.000 0.564 0.000 0.436
#> 83001 1 0.2011 0.8862 0.920 0.000 0.000 0.080
#> LAL4 2 0.4431 0.7338 0.000 0.696 0.000 0.304
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 2 0.2795 0.6421 0.000 0.880 0.056 0.064 0.000
#> 01010 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 03002 2 0.4101 -0.1289 0.000 0.628 0.000 0.372 0.000
#> 04006 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 04007 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 04008 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 04016 4 0.4305 0.4727 0.000 0.488 0.000 0.512 0.000
#> 06002 3 0.3554 0.6211 0.216 0.004 0.776 0.004 0.000
#> 08001 4 0.4291 0.4902 0.000 0.464 0.000 0.536 0.000
#> 08011 2 0.2795 0.6414 0.000 0.880 0.056 0.064 0.000
#> 08012 4 0.4305 0.4727 0.000 0.488 0.000 0.512 0.000
#> 08018 3 0.6716 0.2622 0.000 0.300 0.480 0.008 0.212
#> 08024 3 0.3550 0.5705 0.000 0.004 0.760 0.000 0.236
#> 09008 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 09017 4 0.4989 -0.4074 0.000 0.000 0.032 0.552 0.416
#> 11005 2 0.3366 0.4656 0.000 0.784 0.000 0.212 0.004
#> 12006 3 0.3837 0.5646 0.000 0.000 0.692 0.000 0.308
#> 12007 4 0.6058 0.1772 0.000 0.364 0.128 0.508 0.000
#> 12012 3 0.4557 0.6300 0.132 0.004 0.760 0.000 0.104
#> 12019 3 0.1153 0.6737 0.024 0.004 0.964 0.000 0.008
#> 12026 3 0.4333 0.6612 0.188 0.000 0.752 0.000 0.060
#> 14016 3 0.4298 0.6631 0.184 0.000 0.756 0.000 0.060
#> 15001 3 0.5564 0.5812 0.180 0.012 0.692 0.008 0.108
#> 15004 5 0.0451 0.7147 0.000 0.008 0.004 0.000 0.988
#> 15005 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 16004 3 0.4946 0.6506 0.168 0.000 0.712 0.000 0.120
#> 16009 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 19005 1 0.1544 0.9102 0.932 0.000 0.068 0.000 0.000
#> 20002 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 22009 3 0.3160 0.5697 0.004 0.000 0.808 0.000 0.188
#> 22010 5 0.4313 0.6748 0.000 0.000 0.228 0.040 0.732
#> 22011 2 0.4201 -0.2285 0.000 0.592 0.000 0.408 0.000
#> 22013 3 0.1831 0.6614 0.004 0.000 0.920 0.000 0.076
#> 24001 4 0.4305 0.4727 0.000 0.488 0.000 0.512 0.000
#> 24005 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 24008 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 24010 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 24011 3 0.3676 0.5732 0.004 0.004 0.760 0.000 0.232
#> 24017 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 24018 3 0.3861 0.4043 0.004 0.000 0.712 0.000 0.284
#> 24019 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3586 0.5658 0.000 0.264 0.000 0.736 0.000
#> 25003 3 0.2595 0.6523 0.000 0.000 0.888 0.032 0.080
#> 25006 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2278 0.6753 0.032 0.000 0.908 0.000 0.060
#> 26003 4 0.3796 0.5574 0.000 0.300 0.000 0.700 0.000
#> 26005 3 0.3489 0.6270 0.208 0.004 0.784 0.004 0.000
#> 26008 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 27003 5 0.0290 0.7165 0.000 0.000 0.008 0.000 0.992
#> 27004 2 0.4306 -0.4824 0.000 0.508 0.000 0.492 0.000
#> 28001 5 0.4210 -0.0699 0.000 0.000 0.412 0.000 0.588
#> 28003 5 0.4269 0.6732 0.000 0.000 0.232 0.036 0.732
#> 28005 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 28006 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 28007 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 28019 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 28023 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 28024 4 0.4138 0.5312 0.000 0.384 0.000 0.616 0.000
#> 28028 4 0.3684 0.5643 0.000 0.280 0.000 0.720 0.000
#> 28031 5 0.0510 0.7122 0.000 0.016 0.000 0.000 0.984
#> 28032 4 0.3752 0.5582 0.000 0.292 0.000 0.708 0.000
#> 28035 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 28036 4 0.3730 0.5583 0.000 0.288 0.000 0.712 0.000
#> 28037 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 28042 5 0.0912 0.7142 0.000 0.016 0.000 0.012 0.972
#> 28043 4 0.3305 0.5575 0.000 0.224 0.000 0.776 0.000
#> 28044 4 0.0613 0.4335 0.008 0.004 0.004 0.984 0.000
#> 28047 2 0.4307 -0.4887 0.000 0.504 0.000 0.496 0.000
#> 30001 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 31007 5 0.5804 0.2379 0.000 0.352 0.104 0.000 0.544
#> 31011 4 0.4304 0.4760 0.000 0.484 0.000 0.516 0.000
#> 33005 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 36002 4 0.4307 0.4657 0.000 0.496 0.000 0.504 0.000
#> 37013 1 0.1836 0.9239 0.932 0.000 0.036 0.032 0.000
#> 43001 3 0.2448 0.6735 0.020 0.000 0.892 0.000 0.088
#> 43004 5 0.4995 0.4051 0.004 0.000 0.420 0.024 0.552
#> 43007 2 0.1851 0.6291 0.000 0.912 0.000 0.088 0.000
#> 43012 5 0.0613 0.7158 0.000 0.008 0.004 0.004 0.984
#> 48001 3 0.6657 0.1164 0.352 0.000 0.416 0.000 0.232
#> 49006 2 0.1818 0.6701 0.000 0.932 0.024 0.044 0.000
#> 57001 4 0.1571 0.4696 0.000 0.060 0.004 0.936 0.000
#> 62001 4 0.4307 0.4657 0.000 0.496 0.000 0.504 0.000
#> 62002 4 0.1704 0.4743 0.000 0.068 0.004 0.928 0.000
#> 62003 3 0.3231 0.5591 0.004 0.000 0.800 0.000 0.196
#> 63001 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 64001 4 0.4305 0.4727 0.000 0.488 0.000 0.512 0.000
#> 64002 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 65005 4 0.4305 0.4727 0.000 0.488 0.000 0.512 0.000
#> 68001 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 68003 4 0.0000 0.4328 0.000 0.000 0.000 1.000 0.000
#> 84004 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> LAL5 4 0.3508 0.5255 0.000 0.252 0.000 0.748 0.000
#> 01003 4 0.4818 -0.4655 0.000 0.000 0.020 0.520 0.460
#> 01007 5 0.2280 0.6729 0.000 0.000 0.120 0.000 0.880
#> 02020 3 0.6636 0.2987 0.160 0.000 0.544 0.024 0.272
#> 04018 4 0.0613 0.4313 0.000 0.004 0.008 0.984 0.004
#> 09002 2 0.5109 0.4474 0.000 0.720 0.016 0.176 0.088
#> 10005 2 0.0162 0.6909 0.000 0.996 0.000 0.004 0.000
#> 11002 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 12008 3 0.2338 0.6435 0.000 0.000 0.884 0.004 0.112
#> 15006 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 16002 2 0.4305 -0.4756 0.000 0.512 0.000 0.488 0.000
#> 16007 2 0.4304 -0.4657 0.000 0.516 0.000 0.484 0.000
#> 17003 5 0.4210 0.0923 0.000 0.000 0.412 0.000 0.588
#> 18001 4 0.4306 0.4735 0.000 0.492 0.000 0.508 0.000
#> 19002 5 0.4461 0.6747 0.000 0.000 0.220 0.052 0.728
#> 19008 2 0.3395 0.4410 0.000 0.764 0.000 0.236 0.000
#> 19014 5 0.4264 0.6818 0.000 0.000 0.212 0.044 0.744
#> 19017 2 0.0609 0.6858 0.000 0.980 0.000 0.020 0.000
#> 20005 4 0.3636 0.5569 0.000 0.272 0.000 0.728 0.000
#> 24006 5 0.4726 0.4606 0.000 0.000 0.400 0.020 0.580
#> 26009 1 0.0000 0.9873 1.000 0.000 0.000 0.000 0.000
#> 28008 2 0.0162 0.6909 0.000 0.996 0.000 0.004 0.000
#> 28009 5 0.0000 0.7176 0.000 0.000 0.000 0.000 1.000
#> 31015 2 0.0162 0.6912 0.000 0.996 0.000 0.000 0.004
#> 37001 5 0.3807 0.6748 0.000 0.000 0.240 0.012 0.748
#> 43006 4 0.3999 0.5218 0.000 0.344 0.000 0.656 0.000
#> 43015 4 0.3242 0.5547 0.000 0.216 0.000 0.784 0.000
#> 44001 2 0.2471 0.5805 0.000 0.864 0.000 0.000 0.136
#> 49004 2 0.1410 0.6662 0.000 0.940 0.000 0.060 0.000
#> 56007 4 0.1430 0.4018 0.000 0.052 0.000 0.944 0.004
#> 64005 3 0.4491 0.2548 0.004 0.000 0.648 0.012 0.336
#> 65003 5 0.0162 0.7183 0.000 0.000 0.000 0.004 0.996
#> 83001 1 0.2848 0.8191 0.840 0.000 0.004 0.156 0.000
#> LAL4 5 0.3663 0.6900 0.000 0.000 0.208 0.016 0.776
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 4 0.6157 0.1728 0.000 0.000 0.056 0.560 0.136 0.248
#> 01010 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 4 0.2680 0.6341 0.000 0.000 0.000 0.860 0.032 0.108
#> 04006 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 4 0.0806 0.7214 0.000 0.000 0.000 0.972 0.020 0.008
#> 04008 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 4 0.1320 0.7135 0.000 0.000 0.000 0.948 0.036 0.016
#> 06002 3 0.6330 0.5095 0.112 0.000 0.576 0.000 0.120 0.192
#> 08001 4 0.0458 0.7287 0.000 0.000 0.000 0.984 0.016 0.000
#> 08011 4 0.6086 0.1914 0.000 0.000 0.052 0.568 0.136 0.244
#> 08012 4 0.1391 0.7116 0.000 0.000 0.000 0.944 0.040 0.016
#> 08018 6 0.6549 -0.2379 0.000 0.076 0.340 0.000 0.120 0.464
#> 08024 3 0.6378 0.4676 0.000 0.120 0.568 0.000 0.112 0.200
#> 09008 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 09017 5 0.4411 0.6819 0.000 0.120 0.040 0.060 0.772 0.008
#> 11005 6 0.5756 0.4658 0.000 0.000 0.000 0.220 0.272 0.508
#> 12006 3 0.5536 0.4735 0.000 0.256 0.608 0.000 0.028 0.108
#> 12007 4 0.6307 0.1809 0.000 0.000 0.068 0.472 0.364 0.096
#> 12012 3 0.6786 0.5017 0.060 0.052 0.572 0.000 0.120 0.196
#> 12019 3 0.3472 0.6143 0.028 0.008 0.840 0.000 0.040 0.084
#> 12026 3 0.4567 0.6071 0.148 0.052 0.752 0.000 0.008 0.040
#> 14016 3 0.4705 0.6080 0.140 0.060 0.748 0.000 0.012 0.040
#> 15001 3 0.7679 0.4165 0.108 0.048 0.456 0.000 0.164 0.224
#> 15004 2 0.1738 0.7212 0.000 0.928 0.004 0.000 0.016 0.052
#> 15005 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 16004 3 0.5065 0.5996 0.136 0.116 0.708 0.000 0.004 0.036
#> 16009 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 1 0.2320 0.8649 0.892 0.000 0.080 0.000 0.004 0.024
#> 20002 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 22009 3 0.3455 0.5554 0.000 0.132 0.816 0.000 0.036 0.016
#> 22010 2 0.5090 0.5768 0.000 0.636 0.276 0.000 0.060 0.028
#> 22011 4 0.2066 0.6886 0.000 0.000 0.000 0.908 0.040 0.052
#> 22013 3 0.1769 0.6211 0.004 0.060 0.924 0.000 0.000 0.012
#> 24001 4 0.1391 0.7116 0.000 0.000 0.000 0.944 0.040 0.016
#> 24005 4 0.0260 0.7281 0.000 0.000 0.000 0.992 0.008 0.000
#> 24008 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 24010 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 24011 3 0.6137 0.4822 0.000 0.128 0.596 0.000 0.088 0.188
#> 24017 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 3 0.4363 0.4525 0.004 0.212 0.728 0.000 0.032 0.024
#> 24019 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3265 0.5244 0.000 0.000 0.000 0.748 0.248 0.004
#> 25003 3 0.2981 0.5979 0.000 0.064 0.864 0.000 0.052 0.020
#> 25006 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 3 0.2279 0.6287 0.024 0.056 0.904 0.000 0.000 0.016
#> 26003 4 0.4538 0.3415 0.000 0.000 0.000 0.612 0.340 0.048
#> 26005 3 0.6176 0.5171 0.096 0.000 0.592 0.000 0.120 0.192
#> 26008 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 2 0.2164 0.7157 0.000 0.912 0.028 0.000 0.016 0.044
#> 27004 4 0.0622 0.7274 0.000 0.000 0.000 0.980 0.012 0.008
#> 28001 2 0.5273 0.0158 0.000 0.536 0.388 0.000 0.024 0.052
#> 28003 2 0.4844 0.6068 0.000 0.664 0.260 0.000 0.048 0.028
#> 28005 4 0.0363 0.7282 0.000 0.000 0.000 0.988 0.012 0.000
#> 28006 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 28007 4 0.0260 0.7281 0.000 0.000 0.000 0.992 0.008 0.000
#> 28019 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 28023 4 0.0363 0.7282 0.000 0.000 0.000 0.988 0.012 0.000
#> 28024 4 0.1501 0.6959 0.000 0.000 0.000 0.924 0.076 0.000
#> 28028 4 0.3883 0.3858 0.000 0.000 0.000 0.656 0.332 0.012
#> 28031 2 0.1151 0.7312 0.000 0.956 0.000 0.000 0.012 0.032
#> 28032 4 0.4443 0.2838 0.000 0.000 0.000 0.596 0.368 0.036
#> 28035 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 28036 4 0.4630 0.2657 0.000 0.000 0.000 0.580 0.372 0.048
#> 28037 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 28042 2 0.1194 0.7333 0.000 0.956 0.004 0.000 0.008 0.032
#> 28043 4 0.4109 0.1903 0.000 0.000 0.000 0.576 0.412 0.012
#> 28044 5 0.3273 0.7879 0.004 0.000 0.000 0.212 0.776 0.008
#> 28047 4 0.1003 0.7239 0.000 0.000 0.000 0.964 0.016 0.020
#> 30001 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 31007 6 0.4732 -0.0991 0.000 0.476 0.016 0.000 0.020 0.488
#> 31011 4 0.0858 0.7294 0.000 0.000 0.000 0.968 0.028 0.004
#> 33005 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 36002 4 0.1088 0.7179 0.000 0.000 0.000 0.960 0.024 0.016
#> 37013 1 0.3372 0.7906 0.816 0.000 0.100 0.000 0.084 0.000
#> 43001 3 0.3906 0.6236 0.028 0.088 0.816 0.000 0.016 0.052
#> 43004 3 0.5282 0.0803 0.000 0.360 0.560 0.000 0.052 0.028
#> 43007 4 0.4203 0.1870 0.000 0.000 0.000 0.652 0.032 0.316
#> 43012 2 0.0858 0.7344 0.000 0.968 0.000 0.000 0.004 0.028
#> 48001 3 0.6479 0.2571 0.220 0.204 0.532 0.000 0.020 0.024
#> 49006 4 0.5508 0.1602 0.000 0.000 0.032 0.600 0.088 0.280
#> 57001 4 0.4123 -0.0265 0.000 0.000 0.000 0.568 0.420 0.012
#> 62001 4 0.0725 0.7264 0.000 0.000 0.000 0.976 0.012 0.012
#> 62002 4 0.4136 -0.0545 0.000 0.000 0.000 0.560 0.428 0.012
#> 62003 3 0.3265 0.5611 0.004 0.140 0.824 0.000 0.024 0.008
#> 63001 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 64001 4 0.1461 0.7096 0.000 0.000 0.000 0.940 0.044 0.016
#> 64002 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 4 0.1391 0.7116 0.000 0.000 0.000 0.944 0.040 0.016
#> 68001 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.3103 0.7878 0.000 0.000 0.000 0.208 0.784 0.008
#> 84004 4 0.0146 0.7265 0.000 0.000 0.000 0.996 0.004 0.000
#> LAL5 5 0.5372 0.3520 0.000 0.004 0.000 0.348 0.540 0.108
#> 01003 5 0.3362 0.6003 0.000 0.184 0.012 0.000 0.792 0.012
#> 01007 2 0.3038 0.6899 0.004 0.860 0.080 0.000 0.012 0.044
#> 02020 3 0.6035 0.4362 0.100 0.200 0.624 0.000 0.060 0.016
#> 04018 5 0.3292 0.7957 0.000 0.008 0.000 0.200 0.784 0.008
#> 09002 6 0.6940 0.4531 0.000 0.068 0.020 0.156 0.252 0.504
#> 10005 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 11002 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 12008 3 0.2972 0.5857 0.000 0.108 0.852 0.000 0.024 0.016
#> 15006 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 16002 4 0.2586 0.6767 0.000 0.000 0.000 0.868 0.100 0.032
#> 16007 4 0.1594 0.7064 0.000 0.000 0.000 0.932 0.016 0.052
#> 17003 2 0.4954 0.3103 0.000 0.608 0.324 0.000 0.016 0.052
#> 18001 4 0.0547 0.7282 0.000 0.000 0.000 0.980 0.020 0.000
#> 19002 2 0.5012 0.5983 0.000 0.652 0.260 0.000 0.060 0.028
#> 19008 6 0.5193 0.5763 0.000 0.004 0.000 0.164 0.200 0.632
#> 19014 2 0.4563 0.6358 0.000 0.700 0.232 0.000 0.040 0.028
#> 19017 6 0.3636 0.7527 0.000 0.000 0.000 0.320 0.004 0.676
#> 20005 4 0.4428 0.2354 0.000 0.000 0.000 0.580 0.388 0.032
#> 24006 3 0.5280 -0.0276 0.000 0.392 0.532 0.000 0.052 0.024
#> 26009 1 0.0000 0.9764 1.000 0.000 0.000 0.000 0.000 0.000
#> 28008 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 28009 2 0.0653 0.7371 0.000 0.980 0.004 0.000 0.004 0.012
#> 31015 6 0.3446 0.7697 0.000 0.000 0.000 0.308 0.000 0.692
#> 37001 2 0.4592 0.6172 0.000 0.680 0.260 0.000 0.032 0.028
#> 43006 4 0.5185 0.2964 0.000 0.000 0.000 0.564 0.328 0.108
#> 43015 4 0.4389 0.0373 0.000 0.000 0.000 0.528 0.448 0.024
#> 44001 6 0.4800 0.6812 0.000 0.124 0.000 0.192 0.004 0.680
#> 49004 4 0.5602 -0.2781 0.000 0.000 0.000 0.456 0.144 0.400
#> 56007 5 0.4081 0.7848 0.000 0.016 0.000 0.152 0.768 0.064
#> 64005 3 0.4243 0.4042 0.000 0.248 0.704 0.000 0.040 0.008
#> 65003 2 0.0551 0.7376 0.000 0.984 0.004 0.000 0.004 0.008
#> 83001 1 0.3595 0.6261 0.704 0.000 0.000 0.000 0.288 0.008
#> LAL4 2 0.3706 0.6751 0.000 0.776 0.184 0.000 0.024 0.016
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:skmeans 127 0.569 0.3674 0.4547 2
#> ATC:skmeans 117 0.920 0.0211 0.1072 3
#> ATC:skmeans 84 0.999 0.4114 0.5993 4
#> ATC:skmeans 84 0.587 0.0299 0.0548 5
#> ATC:skmeans 95 0.876 0.0727 0.0510 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "pam"]
# you can also extract it by
# res = res_list["ATC:pam"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.968 0.981 0.2985 0.703 0.703
#> 3 3 0.661 0.794 0.892 1.0333 0.646 0.508
#> 4 4 0.716 0.798 0.874 0.1977 0.780 0.493
#> 5 5 0.811 0.772 0.896 0.0449 0.880 0.610
#> 6 6 0.769 0.707 0.852 0.0592 0.910 0.648
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.0000 0.982 0.000 1.000
#> 01010 1 0.0000 0.966 1.000 0.000
#> 03002 2 0.0000 0.982 0.000 1.000
#> 04006 1 0.0000 0.966 1.000 0.000
#> 04007 2 0.0000 0.982 0.000 1.000
#> 04008 1 0.9248 0.481 0.660 0.340
#> 04010 1 0.0000 0.966 1.000 0.000
#> 04016 2 0.0000 0.982 0.000 1.000
#> 06002 2 0.2423 0.974 0.040 0.960
#> 08001 2 0.0000 0.982 0.000 1.000
#> 08011 2 0.0000 0.982 0.000 1.000
#> 08012 2 0.0000 0.982 0.000 1.000
#> 08018 2 0.2423 0.974 0.040 0.960
#> 08024 2 0.2423 0.974 0.040 0.960
#> 09008 1 0.0000 0.966 1.000 0.000
#> 09017 2 0.0376 0.982 0.004 0.996
#> 11005 2 0.0000 0.982 0.000 1.000
#> 12006 2 0.2423 0.974 0.040 0.960
#> 12007 2 0.0000 0.982 0.000 1.000
#> 12012 2 0.2423 0.974 0.040 0.960
#> 12019 2 0.2423 0.974 0.040 0.960
#> 12026 1 0.0376 0.963 0.996 0.004
#> 14016 1 0.0000 0.966 1.000 0.000
#> 15001 2 0.2423 0.974 0.040 0.960
#> 15004 2 0.2423 0.974 0.040 0.960
#> 15005 2 0.2423 0.974 0.040 0.960
#> 16004 1 0.0000 0.966 1.000 0.000
#> 16009 1 0.0000 0.966 1.000 0.000
#> 19005 2 0.2423 0.974 0.040 0.960
#> 20002 1 0.9552 0.393 0.624 0.376
#> 22009 2 0.2423 0.974 0.040 0.960
#> 22010 2 0.2423 0.974 0.040 0.960
#> 22011 2 0.0000 0.982 0.000 1.000
#> 22013 2 0.2423 0.974 0.040 0.960
#> 24001 2 0.0000 0.982 0.000 1.000
#> 24005 2 0.0000 0.982 0.000 1.000
#> 24008 2 0.0000 0.982 0.000 1.000
#> 24010 2 0.0000 0.982 0.000 1.000
#> 24011 2 0.2423 0.974 0.040 0.960
#> 24017 1 0.0000 0.966 1.000 0.000
#> 24018 2 0.2423 0.974 0.040 0.960
#> 24019 1 0.0000 0.966 1.000 0.000
#> 24022 2 0.0000 0.982 0.000 1.000
#> 25003 2 0.2423 0.974 0.040 0.960
#> 25006 1 0.0000 0.966 1.000 0.000
#> 26001 2 0.2423 0.974 0.040 0.960
#> 26003 2 0.0000 0.982 0.000 1.000
#> 26005 2 0.2423 0.974 0.040 0.960
#> 26008 1 0.0000 0.966 1.000 0.000
#> 27003 2 0.2423 0.974 0.040 0.960
#> 27004 2 0.0000 0.982 0.000 1.000
#> 28001 2 0.2423 0.974 0.040 0.960
#> 28003 2 0.2423 0.974 0.040 0.960
#> 28005 2 0.0000 0.982 0.000 1.000
#> 28006 2 0.0000 0.982 0.000 1.000
#> 28007 2 0.0000 0.982 0.000 1.000
#> 28019 1 0.0000 0.966 1.000 0.000
#> 28021 2 0.0376 0.980 0.004 0.996
#> 28023 2 0.0000 0.982 0.000 1.000
#> 28024 2 0.0000 0.982 0.000 1.000
#> 28028 2 0.0000 0.982 0.000 1.000
#> 28031 2 0.2423 0.974 0.040 0.960
#> 28032 2 0.0000 0.982 0.000 1.000
#> 28035 1 0.0000 0.966 1.000 0.000
#> 28036 2 0.0000 0.982 0.000 1.000
#> 28037 1 0.0000 0.966 1.000 0.000
#> 28042 2 0.2423 0.974 0.040 0.960
#> 28043 2 0.0000 0.982 0.000 1.000
#> 28044 2 0.0000 0.982 0.000 1.000
#> 28047 2 0.0000 0.982 0.000 1.000
#> 30001 1 0.0000 0.966 1.000 0.000
#> 31007 2 0.2423 0.974 0.040 0.960
#> 31011 2 0.0000 0.982 0.000 1.000
#> 33005 1 0.0000 0.966 1.000 0.000
#> 36001 2 0.2423 0.974 0.040 0.960
#> 36002 2 0.0000 0.982 0.000 1.000
#> 37013 2 0.2423 0.974 0.040 0.960
#> 43001 2 0.2423 0.974 0.040 0.960
#> 43004 2 0.2423 0.974 0.040 0.960
#> 43007 2 0.0000 0.982 0.000 1.000
#> 43012 2 0.0000 0.982 0.000 1.000
#> 48001 2 0.2423 0.974 0.040 0.960
#> 49006 2 0.0000 0.982 0.000 1.000
#> 57001 2 0.0000 0.982 0.000 1.000
#> 62001 2 0.0000 0.982 0.000 1.000
#> 62002 2 0.0000 0.982 0.000 1.000
#> 62003 2 0.2423 0.974 0.040 0.960
#> 63001 2 0.0000 0.982 0.000 1.000
#> 64001 2 0.0000 0.982 0.000 1.000
#> 64002 1 0.0000 0.966 1.000 0.000
#> 65005 2 0.0000 0.982 0.000 1.000
#> 68001 1 0.0000 0.966 1.000 0.000
#> 68003 2 0.0000 0.982 0.000 1.000
#> 84004 2 0.0000 0.982 0.000 1.000
#> LAL5 2 0.0000 0.982 0.000 1.000
#> 01003 2 0.0000 0.982 0.000 1.000
#> 01007 2 0.2423 0.974 0.040 0.960
#> 02020 2 0.2423 0.974 0.040 0.960
#> 04018 2 0.0000 0.982 0.000 1.000
#> 09002 2 0.0000 0.982 0.000 1.000
#> 10005 2 0.0000 0.982 0.000 1.000
#> 11002 2 0.0000 0.982 0.000 1.000
#> 12008 2 0.2423 0.974 0.040 0.960
#> 15006 1 0.0000 0.966 1.000 0.000
#> 16002 2 0.0000 0.982 0.000 1.000
#> 16007 2 0.0000 0.982 0.000 1.000
#> 17003 2 0.2423 0.974 0.040 0.960
#> 18001 2 0.0000 0.982 0.000 1.000
#> 19002 2 0.2423 0.974 0.040 0.960
#> 19008 2 0.0000 0.982 0.000 1.000
#> 19014 2 0.2423 0.974 0.040 0.960
#> 19017 2 0.0000 0.982 0.000 1.000
#> 20005 2 0.0000 0.982 0.000 1.000
#> 24006 2 0.2423 0.974 0.040 0.960
#> 26009 1 0.0000 0.966 1.000 0.000
#> 28008 2 0.0000 0.982 0.000 1.000
#> 28009 2 0.2423 0.974 0.040 0.960
#> 31015 2 0.0000 0.982 0.000 1.000
#> 37001 2 0.2423 0.974 0.040 0.960
#> 43006 2 0.0000 0.982 0.000 1.000
#> 43015 2 0.0000 0.982 0.000 1.000
#> 44001 2 0.2423 0.974 0.040 0.960
#> 49004 2 0.0000 0.982 0.000 1.000
#> 56007 2 0.0000 0.982 0.000 1.000
#> 64005 2 0.2423 0.974 0.040 0.960
#> 65003 2 0.2423 0.974 0.040 0.960
#> 83001 2 0.0000 0.982 0.000 1.000
#> LAL4 2 0.2423 0.974 0.040 0.960
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.6168 0.60538 0.000 0.588 0.412
#> 01010 1 0.0000 0.97828 1.000 0.000 0.000
#> 03002 2 0.6140 0.61621 0.000 0.596 0.404
#> 04006 1 0.0000 0.97828 1.000 0.000 0.000
#> 04007 2 0.0000 0.77303 0.000 1.000 0.000
#> 04008 1 0.5760 0.49699 0.672 0.000 0.328
#> 04010 1 0.0000 0.97828 1.000 0.000 0.000
#> 04016 2 0.5678 0.67268 0.000 0.684 0.316
#> 06002 3 0.0000 0.93430 0.000 0.000 1.000
#> 08001 2 0.0000 0.77303 0.000 1.000 0.000
#> 08011 2 0.6140 0.61621 0.000 0.596 0.404
#> 08012 2 0.6126 0.61975 0.000 0.600 0.400
#> 08018 3 0.0237 0.92980 0.000 0.004 0.996
#> 08024 3 0.0000 0.93430 0.000 0.000 1.000
#> 09008 1 0.1964 0.92755 0.944 0.000 0.056
#> 09017 2 0.6192 0.59258 0.000 0.580 0.420
#> 11005 2 0.2625 0.77216 0.000 0.916 0.084
#> 12006 3 0.0000 0.93430 0.000 0.000 1.000
#> 12007 2 0.6192 0.59258 0.000 0.580 0.420
#> 12012 3 0.0000 0.93430 0.000 0.000 1.000
#> 12019 3 0.0000 0.93430 0.000 0.000 1.000
#> 12026 3 0.6126 0.20526 0.400 0.000 0.600
#> 14016 3 0.6140 0.19282 0.404 0.000 0.596
#> 15001 3 0.0000 0.93430 0.000 0.000 1.000
#> 15004 3 0.2066 0.85871 0.000 0.060 0.940
#> 15005 3 0.0000 0.93430 0.000 0.000 1.000
#> 16004 3 0.6180 0.15736 0.416 0.000 0.584
#> 16009 1 0.0000 0.97828 1.000 0.000 0.000
#> 19005 3 0.0000 0.93430 0.000 0.000 1.000
#> 20002 1 0.0592 0.96788 0.988 0.000 0.012
#> 22009 3 0.0000 0.93430 0.000 0.000 1.000
#> 22010 3 0.0000 0.93430 0.000 0.000 1.000
#> 22011 2 0.6140 0.61621 0.000 0.596 0.404
#> 22013 3 0.0000 0.93430 0.000 0.000 1.000
#> 24001 2 0.6126 0.61975 0.000 0.600 0.400
#> 24005 2 0.0000 0.77303 0.000 1.000 0.000
#> 24008 2 0.0000 0.77303 0.000 1.000 0.000
#> 24010 2 0.0000 0.77303 0.000 1.000 0.000
#> 24011 3 0.0000 0.93430 0.000 0.000 1.000
#> 24017 1 0.0000 0.97828 1.000 0.000 0.000
#> 24018 3 0.0000 0.93430 0.000 0.000 1.000
#> 24019 1 0.0000 0.97828 1.000 0.000 0.000
#> 24022 2 0.0000 0.77303 0.000 1.000 0.000
#> 25003 3 0.0000 0.93430 0.000 0.000 1.000
#> 25006 1 0.0000 0.97828 1.000 0.000 0.000
#> 26001 3 0.0000 0.93430 0.000 0.000 1.000
#> 26003 2 0.0000 0.77303 0.000 1.000 0.000
#> 26005 3 0.0000 0.93430 0.000 0.000 1.000
#> 26008 1 0.0000 0.97828 1.000 0.000 0.000
#> 27003 3 0.0000 0.93430 0.000 0.000 1.000
#> 27004 2 0.0000 0.77303 0.000 1.000 0.000
#> 28001 3 0.0000 0.93430 0.000 0.000 1.000
#> 28003 3 0.0000 0.93430 0.000 0.000 1.000
#> 28005 2 0.0000 0.77303 0.000 1.000 0.000
#> 28006 2 0.0000 0.77303 0.000 1.000 0.000
#> 28007 2 0.0000 0.77303 0.000 1.000 0.000
#> 28019 1 0.0000 0.97828 1.000 0.000 0.000
#> 28021 3 0.9719 0.00192 0.360 0.224 0.416
#> 28023 2 0.0000 0.77303 0.000 1.000 0.000
#> 28024 2 0.0000 0.77303 0.000 1.000 0.000
#> 28028 2 0.0000 0.77303 0.000 1.000 0.000
#> 28031 3 0.0000 0.93430 0.000 0.000 1.000
#> 28032 2 0.0000 0.77303 0.000 1.000 0.000
#> 28035 1 0.0000 0.97828 1.000 0.000 0.000
#> 28036 2 0.0000 0.77303 0.000 1.000 0.000
#> 28037 1 0.0000 0.97828 1.000 0.000 0.000
#> 28042 3 0.6045 0.01406 0.000 0.380 0.620
#> 28043 2 0.3879 0.75717 0.000 0.848 0.152
#> 28044 2 0.6180 0.59953 0.000 0.584 0.416
#> 28047 2 0.0000 0.77303 0.000 1.000 0.000
#> 30001 1 0.0000 0.97828 1.000 0.000 0.000
#> 31007 3 0.0000 0.93430 0.000 0.000 1.000
#> 31011 2 0.6140 0.61621 0.000 0.596 0.404
#> 33005 1 0.0000 0.97828 1.000 0.000 0.000
#> 36001 3 0.0000 0.93430 0.000 0.000 1.000
#> 36002 2 0.4842 0.72476 0.000 0.776 0.224
#> 37013 3 0.0000 0.93430 0.000 0.000 1.000
#> 43001 3 0.0000 0.93430 0.000 0.000 1.000
#> 43004 3 0.0000 0.93430 0.000 0.000 1.000
#> 43007 2 0.0000 0.77303 0.000 1.000 0.000
#> 43012 2 0.6180 0.59953 0.000 0.584 0.416
#> 48001 3 0.0000 0.93430 0.000 0.000 1.000
#> 49006 2 0.4062 0.75066 0.000 0.836 0.164
#> 57001 2 0.6140 0.61621 0.000 0.596 0.404
#> 62001 2 0.5948 0.64796 0.000 0.640 0.360
#> 62002 2 0.6140 0.61621 0.000 0.596 0.404
#> 62003 3 0.0000 0.93430 0.000 0.000 1.000
#> 63001 2 0.0000 0.77303 0.000 1.000 0.000
#> 64001 2 0.5650 0.67554 0.000 0.688 0.312
#> 64002 1 0.0000 0.97828 1.000 0.000 0.000
#> 65005 2 0.0000 0.77303 0.000 1.000 0.000
#> 68001 1 0.0000 0.97828 1.000 0.000 0.000
#> 68003 2 0.6154 0.61094 0.000 0.592 0.408
#> 84004 2 0.0000 0.77303 0.000 1.000 0.000
#> LAL5 2 0.6140 0.61621 0.000 0.596 0.404
#> 01003 2 0.6180 0.59953 0.000 0.584 0.416
#> 01007 3 0.0000 0.93430 0.000 0.000 1.000
#> 02020 3 0.0000 0.93430 0.000 0.000 1.000
#> 04018 2 0.6180 0.59953 0.000 0.584 0.416
#> 09002 2 0.6180 0.59953 0.000 0.584 0.416
#> 10005 2 0.0000 0.77303 0.000 1.000 0.000
#> 11002 2 0.0000 0.77303 0.000 1.000 0.000
#> 12008 3 0.0000 0.93430 0.000 0.000 1.000
#> 15006 1 0.0000 0.97828 1.000 0.000 0.000
#> 16002 2 0.2959 0.77158 0.000 0.900 0.100
#> 16007 2 0.5016 0.72216 0.000 0.760 0.240
#> 17003 3 0.0000 0.93430 0.000 0.000 1.000
#> 18001 2 0.0000 0.77303 0.000 1.000 0.000
#> 19002 3 0.0000 0.93430 0.000 0.000 1.000
#> 19008 2 0.3116 0.76988 0.000 0.892 0.108
#> 19014 3 0.0000 0.93430 0.000 0.000 1.000
#> 19017 2 0.0000 0.77303 0.000 1.000 0.000
#> 20005 2 0.0000 0.77303 0.000 1.000 0.000
#> 24006 3 0.0000 0.93430 0.000 0.000 1.000
#> 26009 1 0.0000 0.97828 1.000 0.000 0.000
#> 28008 2 0.0000 0.77303 0.000 1.000 0.000
#> 28009 3 0.0000 0.93430 0.000 0.000 1.000
#> 31015 2 0.5098 0.72115 0.000 0.752 0.248
#> 37001 3 0.0000 0.93430 0.000 0.000 1.000
#> 43006 2 0.0000 0.77303 0.000 1.000 0.000
#> 43015 2 0.6140 0.61621 0.000 0.596 0.404
#> 44001 3 0.4452 0.62239 0.000 0.192 0.808
#> 49004 2 0.2625 0.77214 0.000 0.916 0.084
#> 56007 2 0.6180 0.59953 0.000 0.584 0.416
#> 64005 3 0.0000 0.93430 0.000 0.000 1.000
#> 65003 3 0.0000 0.93430 0.000 0.000 1.000
#> 83001 2 0.6192 0.59279 0.000 0.580 0.420
#> LAL4 3 0.0000 0.93430 0.000 0.000 1.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 01010 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 04007 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 04008 2 0.6170 0.3188 0.332 0.600 0.068 0.000
#> 04010 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 06002 3 0.2868 0.7542 0.000 0.136 0.864 0.000
#> 08001 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 08011 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 08018 3 0.2868 0.7542 0.000 0.136 0.864 0.000
#> 08024 3 0.4907 0.3305 0.000 0.420 0.580 0.000
#> 09008 1 0.4961 0.2158 0.552 0.448 0.000 0.000
#> 09017 3 0.5277 0.1694 0.000 0.460 0.532 0.008
#> 11005 4 0.3610 0.8658 0.000 0.000 0.200 0.800
#> 12006 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 12007 3 0.0188 0.8143 0.000 0.004 0.996 0.000
#> 12012 3 0.2868 0.7542 0.000 0.136 0.864 0.000
#> 12019 3 0.4679 0.4814 0.000 0.352 0.648 0.000
#> 12026 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 14016 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 15001 3 0.2868 0.7542 0.000 0.136 0.864 0.000
#> 15004 3 0.4998 0.1444 0.000 0.488 0.512 0.000
#> 15005 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 16004 2 0.2704 0.8140 0.124 0.876 0.000 0.000
#> 16009 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 19005 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 20002 1 0.6889 0.2291 0.496 0.396 0.108 0.000
#> 22009 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 22010 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 22011 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 22013 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 24001 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 24005 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 24008 3 0.2868 0.7474 0.000 0.000 0.864 0.136
#> 24010 4 0.4967 -0.0107 0.000 0.000 0.452 0.548
#> 24011 3 0.4998 0.1297 0.000 0.488 0.512 0.000
#> 24017 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 24018 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 24019 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 24022 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 25003 2 0.4855 0.2439 0.000 0.600 0.400 0.000
#> 25006 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 26001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 26003 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 26005 3 0.2868 0.7542 0.000 0.136 0.864 0.000
#> 26008 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 27003 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 27004 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 28003 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 28005 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28006 4 0.0336 0.8126 0.000 0.000 0.008 0.992
#> 28007 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28019 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 28021 3 0.6292 0.4003 0.332 0.076 0.592 0.000
#> 28023 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28024 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28028 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28031 2 0.3975 0.6211 0.000 0.760 0.240 0.000
#> 28032 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28035 1 0.0336 0.9373 0.992 0.008 0.000 0.000
#> 28036 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 28037 1 0.0336 0.9373 0.992 0.008 0.000 0.000
#> 28042 3 0.6656 0.5383 0.000 0.136 0.608 0.256
#> 28043 4 0.3726 0.8525 0.000 0.000 0.212 0.788
#> 28044 3 0.0592 0.8107 0.000 0.000 0.984 0.016
#> 28047 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 30001 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 31007 2 0.4804 0.2735 0.000 0.616 0.384 0.000
#> 31011 3 0.0336 0.8132 0.000 0.000 0.992 0.008
#> 33005 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 36001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 36002 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 37013 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 43001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 43004 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 43007 3 0.3486 0.6339 0.000 0.000 0.812 0.188
#> 43012 3 0.0524 0.8135 0.000 0.004 0.988 0.008
#> 48001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 49006 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 57001 3 0.0592 0.8108 0.000 0.000 0.984 0.016
#> 62001 3 0.0469 0.8121 0.000 0.000 0.988 0.012
#> 62002 3 0.4164 0.5144 0.000 0.000 0.736 0.264
#> 62003 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 63001 4 0.4164 0.5076 0.000 0.000 0.264 0.736
#> 64001 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 65005 3 0.4431 0.3969 0.000 0.000 0.696 0.304
#> 68001 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 68003 3 0.1867 0.7737 0.000 0.000 0.928 0.072
#> 84004 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> LAL5 3 0.4477 0.4092 0.000 0.000 0.688 0.312
#> 01003 3 0.4164 0.5144 0.000 0.000 0.736 0.264
#> 01007 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 02020 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 04018 3 0.0707 0.8088 0.000 0.000 0.980 0.020
#> 09002 3 0.0000 0.8148 0.000 0.000 1.000 0.000
#> 10005 4 0.0336 0.8126 0.000 0.000 0.008 0.992
#> 11002 4 0.0336 0.8126 0.000 0.000 0.008 0.992
#> 12008 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 15006 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 16002 4 0.4605 0.6570 0.000 0.000 0.336 0.664
#> 16007 3 0.0336 0.8132 0.000 0.000 0.992 0.008
#> 17003 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 18001 4 0.3266 0.8960 0.000 0.000 0.168 0.832
#> 19002 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 19008 4 0.3688 0.8572 0.000 0.000 0.208 0.792
#> 19014 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 19017 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 20005 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 24006 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 26009 1 0.0000 0.9432 1.000 0.000 0.000 0.000
#> 28008 4 0.0000 0.8158 0.000 0.000 0.000 1.000
#> 28009 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 31015 3 0.1792 0.7769 0.000 0.000 0.932 0.068
#> 37001 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 43006 4 0.2868 0.9196 0.000 0.000 0.136 0.864
#> 43015 3 0.0336 0.8132 0.000 0.000 0.992 0.008
#> 44001 3 0.3435 0.7598 0.000 0.100 0.864 0.036
#> 49004 3 0.1792 0.7741 0.000 0.000 0.932 0.068
#> 56007 3 0.4164 0.5144 0.000 0.000 0.736 0.264
#> 64005 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 65003 2 0.0000 0.9477 0.000 1.000 0.000 0.000
#> 83001 3 0.4792 0.5315 0.000 0.312 0.680 0.008
#> LAL4 2 0.0000 0.9477 0.000 1.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 01010 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 03002 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 04006 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 04007 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 04008 2 0.5522 0.346 0.308 0.600 0.092 0.000 0.00
#> 04010 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 04016 3 0.0963 0.782 0.000 0.000 0.964 0.036 0.00
#> 06002 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 08001 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 08011 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 08012 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 08018 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 08024 3 0.3707 0.520 0.000 0.284 0.716 0.000 0.00
#> 09008 1 0.4273 0.206 0.552 0.448 0.000 0.000 0.00
#> 09017 4 0.4547 0.582 0.000 0.012 0.400 0.588 0.00
#> 11005 4 0.3003 0.721 0.000 0.000 0.188 0.812 0.00
#> 12006 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 12007 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 12012 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 12019 3 0.3242 0.604 0.000 0.216 0.784 0.000 0.00
#> 12026 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 14016 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 15001 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 15004 3 0.4979 0.135 0.000 0.480 0.492 0.028 0.00
#> 15005 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 16004 2 0.2329 0.817 0.124 0.876 0.000 0.000 0.00
#> 16009 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 19005 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 20002 1 0.6142 0.201 0.472 0.396 0.132 0.000 0.00
#> 22009 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 22010 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 22011 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 22013 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 24001 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 24005 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 24008 5 0.1732 0.893 0.000 0.000 0.080 0.000 0.92
#> 24010 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 24011 3 0.4030 0.427 0.000 0.352 0.648 0.000 0.00
#> 24017 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 24018 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 24019 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 24022 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 25003 3 0.4304 0.110 0.000 0.484 0.516 0.000 0.00
#> 25006 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 26001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 26003 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 26005 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 26008 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 27003 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 27004 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 28003 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 28005 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28006 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 28007 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28019 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 28021 3 0.6939 0.365 0.308 0.076 0.524 0.092 0.00
#> 28023 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28024 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28028 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28031 2 0.3424 0.598 0.000 0.760 0.240 0.000 0.00
#> 28032 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28035 1 0.0290 0.916 0.992 0.008 0.000 0.000 0.00
#> 28036 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 28037 1 0.0290 0.916 0.992 0.008 0.000 0.000 0.00
#> 28042 3 0.6204 0.120 0.000 0.176 0.536 0.288 0.00
#> 28043 4 0.3274 0.709 0.000 0.000 0.220 0.780 0.00
#> 28044 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 28047 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 30001 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 31007 2 0.4138 0.233 0.000 0.616 0.384 0.000 0.00
#> 31011 4 0.4304 0.434 0.000 0.000 0.484 0.516 0.00
#> 33005 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 36001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 36002 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 37013 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 43001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 43004 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 43007 3 0.3109 0.621 0.000 0.000 0.800 0.200 0.00
#> 43012 4 0.4291 0.481 0.000 0.000 0.464 0.536 0.00
#> 48001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 49006 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 57001 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 62001 3 0.2891 0.585 0.000 0.000 0.824 0.176 0.00
#> 62002 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 62003 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 63001 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 64001 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 64002 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 65005 3 0.3837 0.476 0.000 0.000 0.692 0.308 0.00
#> 68001 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 68003 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 84004 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> LAL5 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 01003 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 01007 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 02020 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 04018 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 09002 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 10005 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 11002 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 12008 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 15006 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 16002 4 0.3274 0.709 0.000 0.000 0.220 0.780 0.00
#> 16007 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 17003 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 18001 4 0.0963 0.753 0.000 0.000 0.036 0.964 0.00
#> 19002 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 19008 4 0.3274 0.709 0.000 0.000 0.220 0.780 0.00
#> 19014 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 19017 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 20005 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 24006 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 26009 1 0.0000 0.924 1.000 0.000 0.000 0.000 0.00
#> 28008 5 0.0000 0.982 0.000 0.000 0.000 0.000 1.00
#> 28009 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 31015 4 0.4268 0.522 0.000 0.000 0.444 0.556 0.00
#> 37001 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 43006 4 0.0000 0.755 0.000 0.000 0.000 1.000 0.00
#> 43015 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 44001 3 0.0000 0.807 0.000 0.000 1.000 0.000 0.00
#> 49004 3 0.3074 0.557 0.000 0.000 0.804 0.196 0.00
#> 56007 4 0.4201 0.585 0.000 0.000 0.408 0.592 0.00
#> 64005 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 65003 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
#> 83001 3 0.6796 0.171 0.000 0.312 0.380 0.308 0.00
#> LAL4 2 0.0000 0.958 0.000 1.000 0.000 0.000 0.00
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 01010 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 04006 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 4 0.1714 0.8183 0.000 0.000 0.000 0.908 0.092 0.000
#> 04008 2 0.5887 0.1437 0.004 0.472 0.184 0.000 0.340 0.000
#> 04010 1 0.3390 0.7740 0.704 0.000 0.000 0.000 0.296 0.000
#> 04016 3 0.3221 0.6678 0.000 0.000 0.792 0.020 0.188 0.000
#> 06002 3 0.0146 0.8493 0.000 0.000 0.996 0.000 0.004 0.000
#> 08001 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 08011 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 08012 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 08018 3 0.0146 0.8493 0.000 0.000 0.996 0.000 0.004 0.000
#> 08024 3 0.4374 0.5697 0.000 0.192 0.712 0.000 0.096 0.000
#> 09008 5 0.5220 -0.0402 0.100 0.372 0.000 0.000 0.528 0.000
#> 09017 5 0.4665 0.5878 0.000 0.008 0.060 0.272 0.660 0.000
#> 11005 4 0.4032 0.5427 0.000 0.000 0.068 0.740 0.192 0.000
#> 12006 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 12007 3 0.0363 0.8448 0.000 0.000 0.988 0.000 0.012 0.000
#> 12012 3 0.0146 0.8488 0.000 0.004 0.996 0.000 0.000 0.000
#> 12019 3 0.2912 0.6390 0.000 0.216 0.784 0.000 0.000 0.000
#> 12026 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 14016 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 15001 3 0.0146 0.8493 0.000 0.000 0.996 0.000 0.004 0.000
#> 15004 5 0.5411 0.0251 0.000 0.412 0.116 0.000 0.472 0.000
#> 15005 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 16004 2 0.1814 0.7549 0.100 0.900 0.000 0.000 0.000 0.000
#> 16009 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 20002 5 0.5717 -0.0646 0.120 0.336 0.016 0.000 0.528 0.000
#> 22009 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 22010 2 0.3860 0.2257 0.000 0.528 0.000 0.000 0.472 0.000
#> 22011 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 22013 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 24001 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 24005 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 24008 6 0.1501 0.8993 0.000 0.000 0.076 0.000 0.000 0.924
#> 24010 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 24011 3 0.3620 0.4512 0.000 0.352 0.648 0.000 0.000 0.000
#> 24017 1 0.3390 0.7740 0.704 0.000 0.000 0.000 0.296 0.000
#> 24018 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 24019 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 25003 5 0.5703 0.2793 0.000 0.168 0.360 0.000 0.472 0.000
#> 25006 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 26003 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 26005 3 0.0146 0.8493 0.000 0.000 0.996 0.000 0.004 0.000
#> 26008 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 2 0.3860 0.2257 0.000 0.528 0.000 0.000 0.472 0.000
#> 27004 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 28001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 28003 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 28005 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 28006 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 28007 4 0.0458 0.8887 0.000 0.000 0.000 0.984 0.016 0.000
#> 28019 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 28021 5 0.0000 0.4012 0.000 0.000 0.000 0.000 1.000 0.000
#> 28023 4 0.2697 0.6845 0.000 0.000 0.000 0.812 0.188 0.000
#> 28024 4 0.2048 0.7848 0.000 0.000 0.000 0.880 0.120 0.000
#> 28028 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 28031 2 0.4650 0.1117 0.000 0.488 0.040 0.000 0.472 0.000
#> 28032 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 28035 1 0.3578 0.7467 0.660 0.000 0.000 0.000 0.340 0.000
#> 28036 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 28037 1 0.3578 0.7467 0.660 0.000 0.000 0.000 0.340 0.000
#> 28042 5 0.6431 0.4842 0.000 0.040 0.176 0.312 0.472 0.000
#> 28043 4 0.4120 0.5113 0.000 0.000 0.068 0.728 0.204 0.000
#> 28044 5 0.4527 0.5908 0.000 0.000 0.068 0.272 0.660 0.000
#> 28047 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 30001 1 0.3409 0.7719 0.700 0.000 0.000 0.000 0.300 0.000
#> 31007 2 0.3706 0.3591 0.000 0.620 0.380 0.000 0.000 0.000
#> 31011 5 0.5851 0.4720 0.000 0.000 0.280 0.236 0.484 0.000
#> 33005 1 0.3578 0.7467 0.660 0.000 0.000 0.000 0.340 0.000
#> 36001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 36002 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 37013 5 0.3672 0.1687 0.000 0.368 0.000 0.000 0.632 0.000
#> 43001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 43004 2 0.2562 0.6930 0.000 0.828 0.000 0.000 0.172 0.000
#> 43007 3 0.2793 0.6825 0.000 0.000 0.800 0.200 0.000 0.000
#> 43012 5 0.6165 0.5229 0.000 0.012 0.280 0.236 0.472 0.000
#> 48001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 49006 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 57001 3 0.5717 0.1161 0.000 0.000 0.516 0.272 0.212 0.000
#> 62001 3 0.3776 0.6228 0.000 0.000 0.760 0.052 0.188 0.000
#> 62002 5 0.4527 0.5908 0.000 0.000 0.068 0.272 0.660 0.000
#> 62003 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 63001 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 64001 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 64002 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.3578 0.5065 0.000 0.000 0.660 0.340 0.000 0.000
#> 68001 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 5 0.4527 0.5908 0.000 0.000 0.068 0.272 0.660 0.000
#> 84004 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> LAL5 5 0.5075 0.3464 0.000 0.000 0.076 0.460 0.464 0.000
#> 01003 5 0.4527 0.5908 0.000 0.000 0.068 0.272 0.660 0.000
#> 01007 2 0.2378 0.7148 0.000 0.848 0.000 0.000 0.152 0.000
#> 02020 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 04018 5 0.4527 0.5908 0.000 0.000 0.068 0.272 0.660 0.000
#> 09002 3 0.0260 0.8473 0.000 0.000 0.992 0.000 0.008 0.000
#> 10005 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 11002 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 12008 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 15006 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 16002 4 0.3266 0.5228 0.000 0.000 0.272 0.728 0.000 0.000
#> 16007 3 0.3266 0.5011 0.000 0.000 0.728 0.272 0.000 0.000
#> 17003 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 18001 4 0.0937 0.8664 0.000 0.000 0.040 0.960 0.000 0.000
#> 19002 2 0.3860 0.2257 0.000 0.528 0.000 0.000 0.472 0.000
#> 19008 4 0.4095 0.5079 0.000 0.000 0.064 0.728 0.208 0.000
#> 19014 2 0.3860 0.2257 0.000 0.528 0.000 0.000 0.472 0.000
#> 19017 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 20005 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 24006 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 26009 1 0.0000 0.8814 1.000 0.000 0.000 0.000 0.000 0.000
#> 28008 6 0.0000 0.9835 0.000 0.000 0.000 0.000 0.000 1.000
#> 28009 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 31015 3 0.3592 0.3907 0.000 0.000 0.656 0.344 0.000 0.000
#> 37001 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 43006 4 0.0000 0.8993 0.000 0.000 0.000 1.000 0.000 0.000
#> 43015 5 0.5940 0.4993 0.000 0.000 0.268 0.272 0.460 0.000
#> 44001 3 0.0000 0.8501 0.000 0.000 1.000 0.000 0.000 0.000
#> 49004 3 0.1863 0.7726 0.000 0.000 0.896 0.104 0.000 0.000
#> 56007 5 0.4992 0.3487 0.000 0.000 0.068 0.460 0.472 0.000
#> 64005 2 0.0000 0.8333 0.000 1.000 0.000 0.000 0.000 0.000
#> 65003 2 0.3860 0.2257 0.000 0.528 0.000 0.000 0.472 0.000
#> 83001 5 0.5543 0.5882 0.000 0.060 0.148 0.132 0.660 0.000
#> LAL4 2 0.3076 0.6086 0.000 0.760 0.000 0.000 0.240 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:pam 126 1.000 0.824 0.474 2
#> ATC:pam 122 0.847 0.125 0.668 3
#> ATC:pam 114 0.565 0.479 0.417 4
#> ATC:pam 115 0.840 0.196 0.465 5
#> ATC:pam 106 0.712 0.367 0.433 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "mclust"]
# you can also extract it by
# res = res_list["ATC:mclust"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.859 0.909 0.947 0.4296 0.567 0.567
#> 3 3 0.564 0.752 0.882 0.1680 0.781 0.671
#> 4 4 0.859 0.906 0.956 0.3629 0.714 0.502
#> 5 5 0.881 0.865 0.925 0.0933 0.938 0.806
#> 6 6 0.797 0.778 0.874 0.0583 0.945 0.792
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.3274 0.9397 0.060 0.940
#> 01010 1 0.2948 0.9276 0.948 0.052
#> 03002 2 0.3114 0.9416 0.056 0.944
#> 04006 1 0.2948 0.9276 0.948 0.052
#> 04007 2 0.3114 0.9416 0.056 0.944
#> 04008 1 0.2948 0.9276 0.948 0.052
#> 04010 1 0.2948 0.9276 0.948 0.052
#> 04016 2 0.3114 0.9416 0.056 0.944
#> 06002 2 0.6247 0.8502 0.156 0.844
#> 08001 2 0.2778 0.9439 0.048 0.952
#> 08011 2 0.3584 0.9358 0.068 0.932
#> 08012 2 0.3114 0.9416 0.056 0.944
#> 08018 2 0.3114 0.9416 0.056 0.944
#> 08024 1 0.9815 0.2616 0.580 0.420
#> 09008 1 0.2948 0.9276 0.948 0.052
#> 09017 2 0.0000 0.9578 0.000 1.000
#> 11005 2 0.0000 0.9578 0.000 1.000
#> 12006 2 0.9993 0.0587 0.484 0.516
#> 12007 2 0.0000 0.9578 0.000 1.000
#> 12012 1 0.8016 0.6884 0.756 0.244
#> 12019 2 0.0672 0.9559 0.008 0.992
#> 12026 2 0.7950 0.6479 0.240 0.760
#> 14016 1 0.6887 0.7919 0.816 0.184
#> 15001 2 0.9996 0.0803 0.488 0.512
#> 15004 2 0.0000 0.9578 0.000 1.000
#> 15005 2 0.6343 0.7815 0.160 0.840
#> 16004 1 0.5737 0.8482 0.864 0.136
#> 16009 1 0.2948 0.9276 0.948 0.052
#> 19005 1 0.2603 0.9144 0.956 0.044
#> 20002 1 0.2948 0.9276 0.948 0.052
#> 22009 2 0.0000 0.9578 0.000 1.000
#> 22010 2 0.0000 0.9578 0.000 1.000
#> 22011 2 0.3114 0.9416 0.056 0.944
#> 22013 2 0.0000 0.9578 0.000 1.000
#> 24001 2 0.3114 0.9416 0.056 0.944
#> 24005 2 0.3114 0.9416 0.056 0.944
#> 24008 1 0.2236 0.9120 0.964 0.036
#> 24010 1 0.2236 0.9120 0.964 0.036
#> 24011 1 0.2236 0.9120 0.964 0.036
#> 24017 1 0.2948 0.9276 0.948 0.052
#> 24018 2 0.0000 0.9578 0.000 1.000
#> 24019 1 0.2948 0.9276 0.948 0.052
#> 24022 2 0.0000 0.9578 0.000 1.000
#> 25003 2 0.0000 0.9578 0.000 1.000
#> 25006 1 0.2948 0.9276 0.948 0.052
#> 26001 2 0.0376 0.9561 0.004 0.996
#> 26003 2 0.0000 0.9578 0.000 1.000
#> 26005 2 0.6343 0.8445 0.160 0.840
#> 26008 1 0.2948 0.9276 0.948 0.052
#> 27003 2 0.0000 0.9578 0.000 1.000
#> 27004 2 0.2948 0.9422 0.052 0.948
#> 28001 1 0.5737 0.8482 0.864 0.136
#> 28003 2 0.0000 0.9578 0.000 1.000
#> 28005 2 0.2948 0.9422 0.052 0.948
#> 28006 1 0.2236 0.9120 0.964 0.036
#> 28007 2 0.2948 0.9422 0.052 0.948
#> 28019 1 0.2948 0.9276 0.948 0.052
#> 28021 1 0.2948 0.9276 0.948 0.052
#> 28023 2 0.2948 0.9422 0.052 0.948
#> 28024 2 0.2948 0.9422 0.052 0.948
#> 28028 2 0.0000 0.9578 0.000 1.000
#> 28031 2 0.3114 0.9416 0.056 0.944
#> 28032 2 0.0000 0.9578 0.000 1.000
#> 28035 1 0.2948 0.9276 0.948 0.052
#> 28036 2 0.0000 0.9578 0.000 1.000
#> 28037 1 0.2948 0.9276 0.948 0.052
#> 28042 2 0.0000 0.9578 0.000 1.000
#> 28043 2 0.0000 0.9578 0.000 1.000
#> 28044 2 0.0000 0.9578 0.000 1.000
#> 28047 2 0.3114 0.9416 0.056 0.944
#> 30001 1 0.2948 0.9276 0.948 0.052
#> 31007 1 0.5737 0.8482 0.864 0.136
#> 31011 2 0.2948 0.9422 0.052 0.948
#> 33005 1 0.2948 0.9276 0.948 0.052
#> 36001 1 0.6531 0.8629 0.832 0.168
#> 36002 2 0.3114 0.9416 0.056 0.944
#> 37013 2 0.0000 0.9578 0.000 1.000
#> 43001 1 0.9170 0.5291 0.668 0.332
#> 43004 2 0.0000 0.9578 0.000 1.000
#> 43007 2 0.3114 0.9416 0.056 0.944
#> 43012 2 0.0000 0.9578 0.000 1.000
#> 48001 2 0.0000 0.9578 0.000 1.000
#> 49006 2 0.5629 0.8770 0.132 0.868
#> 57001 2 0.0000 0.9578 0.000 1.000
#> 62001 2 0.3114 0.9416 0.056 0.944
#> 62002 2 0.0000 0.9578 0.000 1.000
#> 62003 2 0.0000 0.9578 0.000 1.000
#> 63001 1 0.2236 0.9120 0.964 0.036
#> 64001 2 0.3114 0.9416 0.056 0.944
#> 64002 1 0.2948 0.9276 0.948 0.052
#> 65005 2 0.3114 0.9416 0.056 0.944
#> 68001 1 0.2948 0.9276 0.948 0.052
#> 68003 2 0.0000 0.9578 0.000 1.000
#> 84004 2 0.3114 0.9416 0.056 0.944
#> LAL5 2 0.0000 0.9578 0.000 1.000
#> 01003 2 0.0000 0.9578 0.000 1.000
#> 01007 2 0.0000 0.9578 0.000 1.000
#> 02020 2 0.0000 0.9578 0.000 1.000
#> 04018 2 0.0000 0.9578 0.000 1.000
#> 09002 2 0.0000 0.9578 0.000 1.000
#> 10005 1 0.2236 0.9120 0.964 0.036
#> 11002 1 0.2236 0.9120 0.964 0.036
#> 12008 2 0.0000 0.9578 0.000 1.000
#> 15006 1 0.2948 0.9276 0.948 0.052
#> 16002 2 0.0672 0.9559 0.008 0.992
#> 16007 2 0.3114 0.9416 0.056 0.944
#> 17003 1 0.5737 0.8482 0.864 0.136
#> 18001 2 0.2948 0.9422 0.052 0.948
#> 19002 2 0.0000 0.9578 0.000 1.000
#> 19008 2 0.0000 0.9578 0.000 1.000
#> 19014 2 0.0000 0.9578 0.000 1.000
#> 19017 2 0.3114 0.9416 0.056 0.944
#> 20005 2 0.0000 0.9578 0.000 1.000
#> 24006 2 0.0000 0.9578 0.000 1.000
#> 26009 1 0.2948 0.9276 0.948 0.052
#> 28008 1 0.2236 0.9120 0.964 0.036
#> 28009 2 0.0000 0.9578 0.000 1.000
#> 31015 2 0.3274 0.9399 0.060 0.940
#> 37001 2 0.0000 0.9578 0.000 1.000
#> 43006 2 0.0000 0.9578 0.000 1.000
#> 43015 2 0.0000 0.9578 0.000 1.000
#> 44001 1 0.4022 0.8913 0.920 0.080
#> 49004 2 0.0000 0.9578 0.000 1.000
#> 56007 2 0.0000 0.9578 0.000 1.000
#> 64005 2 0.0000 0.9578 0.000 1.000
#> 65003 2 0.0000 0.9578 0.000 1.000
#> 83001 2 0.0000 0.9578 0.000 1.000
#> LAL4 2 0.0000 0.9578 0.000 1.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.5842 0.7169 0.036 0.768 0.196
#> 01010 1 0.0000 0.9914 1.000 0.000 0.000
#> 03002 2 0.5689 0.7264 0.036 0.780 0.184
#> 04006 1 0.0000 0.9914 1.000 0.000 0.000
#> 04007 3 0.7420 0.3285 0.036 0.420 0.544
#> 04008 1 0.0000 0.9914 1.000 0.000 0.000
#> 04010 1 0.0000 0.9914 1.000 0.000 0.000
#> 04016 2 0.7453 0.0833 0.036 0.528 0.436
#> 06002 2 0.5692 0.7325 0.040 0.784 0.176
#> 08001 2 0.3038 0.7990 0.000 0.896 0.104
#> 08011 2 0.5842 0.7169 0.036 0.768 0.196
#> 08012 2 0.5741 0.7231 0.036 0.776 0.188
#> 08018 2 0.3921 0.7883 0.016 0.872 0.112
#> 08024 2 0.5901 0.7171 0.040 0.768 0.192
#> 09008 1 0.0237 0.9870 0.996 0.004 0.000
#> 09017 2 0.1031 0.8265 0.000 0.976 0.024
#> 11005 2 0.0000 0.8310 0.000 1.000 0.000
#> 12006 2 0.6443 0.6702 0.040 0.720 0.240
#> 12007 2 0.1860 0.8202 0.000 0.948 0.052
#> 12012 2 0.5842 0.7169 0.036 0.768 0.196
#> 12019 2 0.0424 0.8307 0.000 0.992 0.008
#> 12026 2 0.1620 0.8262 0.024 0.964 0.012
#> 14016 2 0.2806 0.8144 0.040 0.928 0.032
#> 15001 2 0.5842 0.7169 0.036 0.768 0.196
#> 15004 2 0.1031 0.8265 0.000 0.976 0.024
#> 15005 2 0.8293 0.2590 0.272 0.608 0.120
#> 16004 2 0.5346 0.6898 0.040 0.808 0.152
#> 16009 1 0.0000 0.9914 1.000 0.000 0.000
#> 19005 2 0.5901 0.7171 0.040 0.768 0.192
#> 20002 1 0.0000 0.9914 1.000 0.000 0.000
#> 22009 2 0.1031 0.8265 0.000 0.976 0.024
#> 22010 2 0.1031 0.8265 0.000 0.976 0.024
#> 22011 2 0.5689 0.7264 0.036 0.780 0.184
#> 22013 2 0.1163 0.8277 0.000 0.972 0.028
#> 24001 2 0.5792 0.7195 0.036 0.772 0.192
#> 24005 3 0.7430 0.3183 0.036 0.424 0.540
#> 24008 3 0.1031 0.7054 0.000 0.024 0.976
#> 24010 3 0.1031 0.7054 0.000 0.024 0.976
#> 24011 2 0.5706 0.6026 0.000 0.680 0.320
#> 24017 1 0.0000 0.9914 1.000 0.000 0.000
#> 24018 2 0.1031 0.8265 0.000 0.976 0.024
#> 24019 1 0.0000 0.9914 1.000 0.000 0.000
#> 24022 2 0.2625 0.8081 0.000 0.916 0.084
#> 25003 2 0.1031 0.8265 0.000 0.976 0.024
#> 25006 1 0.0000 0.9914 1.000 0.000 0.000
#> 26001 2 0.0747 0.8307 0.000 0.984 0.016
#> 26003 2 0.0000 0.8310 0.000 1.000 0.000
#> 26005 2 0.5798 0.7243 0.040 0.776 0.184
#> 26008 1 0.0000 0.9914 1.000 0.000 0.000
#> 27003 2 0.0237 0.8307 0.000 0.996 0.004
#> 27004 2 0.4700 0.7488 0.008 0.812 0.180
#> 28001 3 0.4591 0.6265 0.032 0.120 0.848
#> 28003 2 0.1031 0.8265 0.000 0.976 0.024
#> 28005 2 0.4235 0.7563 0.000 0.824 0.176
#> 28006 3 0.1031 0.7054 0.000 0.024 0.976
#> 28007 3 0.7169 0.2251 0.024 0.456 0.520
#> 28019 1 0.0747 0.9716 0.984 0.016 0.000
#> 28021 1 0.0237 0.9866 0.996 0.004 0.000
#> 28023 3 0.6274 0.2484 0.000 0.456 0.544
#> 28024 2 0.5072 0.7336 0.012 0.792 0.196
#> 28028 2 0.0237 0.8313 0.000 0.996 0.004
#> 28031 2 0.2866 0.8081 0.008 0.916 0.076
#> 28032 2 0.0000 0.8310 0.000 1.000 0.000
#> 28035 1 0.2152 0.9383 0.948 0.036 0.016
#> 28036 2 0.0000 0.8310 0.000 1.000 0.000
#> 28037 1 0.2152 0.9383 0.948 0.036 0.016
#> 28042 2 0.0000 0.8310 0.000 1.000 0.000
#> 28043 2 0.0000 0.8310 0.000 1.000 0.000
#> 28044 2 0.3573 0.7294 0.120 0.876 0.004
#> 28047 2 0.6879 0.4005 0.024 0.616 0.360
#> 30001 1 0.0000 0.9914 1.000 0.000 0.000
#> 31007 3 0.3461 0.6691 0.024 0.076 0.900
#> 31011 2 0.3752 0.7783 0.000 0.856 0.144
#> 33005 1 0.0000 0.9914 1.000 0.000 0.000
#> 36001 2 0.9333 0.2051 0.216 0.516 0.268
#> 36002 2 0.5842 0.7157 0.036 0.768 0.196
#> 37013 2 0.3686 0.7005 0.140 0.860 0.000
#> 43001 2 0.5524 0.7403 0.040 0.796 0.164
#> 43004 2 0.1031 0.8265 0.000 0.976 0.024
#> 43007 2 0.6079 0.7015 0.036 0.748 0.216
#> 43012 2 0.1031 0.8265 0.000 0.976 0.024
#> 48001 2 0.0237 0.8307 0.000 0.996 0.004
#> 49006 2 0.7013 0.5308 0.036 0.640 0.324
#> 57001 2 0.8067 0.4751 0.160 0.652 0.188
#> 62001 2 0.5982 0.6861 0.028 0.744 0.228
#> 62002 2 0.8095 0.4861 0.152 0.648 0.200
#> 62003 2 0.1163 0.8277 0.000 0.972 0.028
#> 63001 3 0.1031 0.7054 0.000 0.024 0.976
#> 64001 2 0.7378 0.2241 0.036 0.560 0.404
#> 64002 1 0.0000 0.9914 1.000 0.000 0.000
#> 65005 3 0.7446 0.2934 0.036 0.432 0.532
#> 68001 1 0.0000 0.9914 1.000 0.000 0.000
#> 68003 2 0.2537 0.7742 0.080 0.920 0.000
#> 84004 3 0.7228 0.4379 0.036 0.364 0.600
#> LAL5 2 0.1031 0.8265 0.000 0.976 0.024
#> 01003 2 0.1031 0.8265 0.000 0.976 0.024
#> 01007 2 0.1031 0.8265 0.000 0.976 0.024
#> 02020 2 0.1031 0.8265 0.000 0.976 0.024
#> 04018 2 0.0237 0.8308 0.004 0.996 0.000
#> 09002 2 0.0424 0.8302 0.000 0.992 0.008
#> 10005 3 0.1031 0.7054 0.000 0.024 0.976
#> 11002 3 0.1031 0.7054 0.000 0.024 0.976
#> 12008 2 0.0747 0.8286 0.000 0.984 0.016
#> 15006 1 0.0000 0.9914 1.000 0.000 0.000
#> 16002 2 0.2537 0.8098 0.000 0.920 0.080
#> 16007 2 0.5331 0.7350 0.024 0.792 0.184
#> 17003 2 0.7186 0.4077 0.040 0.624 0.336
#> 18001 2 0.4178 0.7593 0.000 0.828 0.172
#> 19002 2 0.1031 0.8265 0.000 0.976 0.024
#> 19008 2 0.0000 0.8310 0.000 1.000 0.000
#> 19014 2 0.1031 0.8265 0.000 0.976 0.024
#> 19017 2 0.6762 0.6018 0.036 0.676 0.288
#> 20005 2 0.0000 0.8310 0.000 1.000 0.000
#> 24006 2 0.1031 0.8265 0.000 0.976 0.024
#> 26009 1 0.0000 0.9914 1.000 0.000 0.000
#> 28008 3 0.1267 0.7044 0.004 0.024 0.972
#> 28009 2 0.0237 0.8307 0.000 0.996 0.004
#> 31015 2 0.7263 0.3116 0.032 0.568 0.400
#> 37001 2 0.1031 0.8265 0.000 0.976 0.024
#> 43006 2 0.0000 0.8310 0.000 1.000 0.000
#> 43015 2 0.0000 0.8310 0.000 1.000 0.000
#> 44001 3 0.2056 0.6961 0.024 0.024 0.952
#> 49004 2 0.0000 0.8310 0.000 1.000 0.000
#> 56007 2 0.1031 0.8265 0.000 0.976 0.024
#> 64005 2 0.1031 0.8265 0.000 0.976 0.024
#> 65003 2 0.1031 0.8265 0.000 0.976 0.024
#> 83001 2 0.7828 0.4644 0.168 0.672 0.160
#> LAL4 2 0.0000 0.8310 0.000 1.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 01010 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 04006 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 04008 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 04010 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 06002 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 08001 2 0.3726 0.783 0.000 0.788 0.212 0.000
#> 08011 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 08012 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 08018 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 08024 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 09008 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 09017 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 11005 2 0.0469 0.899 0.000 0.988 0.012 0.000
#> 12006 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 12007 2 0.3688 0.784 0.000 0.792 0.208 0.000
#> 12012 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 12019 3 0.1792 0.893 0.000 0.068 0.932 0.000
#> 12026 3 0.0921 0.945 0.000 0.028 0.972 0.000
#> 14016 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 15001 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 15004 2 0.1211 0.885 0.000 0.960 0.040 0.000
#> 15005 2 0.3933 0.784 0.008 0.792 0.200 0.000
#> 16004 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 16009 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 19005 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 20002 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 22009 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 22010 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 22011 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 22013 2 0.2081 0.866 0.000 0.916 0.084 0.000
#> 24001 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 24005 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 24008 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 24010 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 24011 3 0.5060 0.304 0.000 0.004 0.584 0.412
#> 24017 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 24018 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 24019 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 24022 2 0.3610 0.791 0.000 0.800 0.200 0.000
#> 25003 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 25006 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 26001 2 0.3486 0.798 0.000 0.812 0.188 0.000
#> 26003 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 26005 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 26008 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 27003 3 0.4585 0.510 0.000 0.332 0.668 0.000
#> 27004 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 28001 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 28003 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 28005 3 0.0188 0.958 0.000 0.004 0.996 0.000
#> 28006 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 28007 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 28019 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 28021 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 28023 3 0.0469 0.952 0.000 0.012 0.988 0.000
#> 28024 2 0.3649 0.787 0.000 0.796 0.204 0.000
#> 28028 2 0.0188 0.899 0.000 0.996 0.004 0.000
#> 28031 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 28032 2 0.0188 0.899 0.000 0.996 0.004 0.000
#> 28035 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 28036 2 0.0188 0.899 0.000 0.996 0.004 0.000
#> 28037 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 28042 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 28043 2 0.0188 0.899 0.000 0.996 0.004 0.000
#> 28044 2 0.3528 0.795 0.000 0.808 0.192 0.000
#> 28047 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 30001 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 31007 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 31011 3 0.0336 0.957 0.000 0.008 0.992 0.000
#> 33005 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 36001 3 0.1489 0.922 0.044 0.004 0.952 0.000
#> 36002 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 37013 2 0.3528 0.795 0.000 0.808 0.192 0.000
#> 43001 3 0.0592 0.953 0.000 0.016 0.984 0.000
#> 43004 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 43007 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 43012 2 0.0592 0.898 0.000 0.984 0.016 0.000
#> 48001 3 0.4843 0.243 0.000 0.396 0.604 0.000
#> 49006 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 57001 2 0.3610 0.788 0.000 0.800 0.200 0.000
#> 62001 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 62002 2 0.3610 0.788 0.000 0.800 0.200 0.000
#> 62003 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 63001 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 64001 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 64002 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 68001 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 68003 2 0.3123 0.820 0.000 0.844 0.156 0.000
#> 84004 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> LAL5 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 01003 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 01007 2 0.4331 0.681 0.000 0.712 0.288 0.000
#> 02020 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 04018 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 09002 2 0.2469 0.833 0.000 0.892 0.108 0.000
#> 10005 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 11002 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 12008 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 15006 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 16002 2 0.4981 0.305 0.000 0.536 0.464 0.000
#> 16007 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 17003 3 0.0817 0.947 0.000 0.024 0.976 0.000
#> 18001 3 0.0469 0.952 0.000 0.012 0.988 0.000
#> 19002 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 19008 2 0.4072 0.667 0.000 0.748 0.252 0.000
#> 19014 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 19017 3 0.0000 0.959 0.000 0.000 1.000 0.000
#> 20005 2 0.0188 0.899 0.000 0.996 0.004 0.000
#> 24006 2 0.0336 0.900 0.000 0.992 0.008 0.000
#> 26009 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> 28008 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 28009 2 0.4643 0.488 0.000 0.656 0.344 0.000
#> 31015 3 0.0707 0.948 0.000 0.020 0.980 0.000
#> 37001 2 0.0707 0.896 0.000 0.980 0.020 0.000
#> 43006 2 0.0469 0.899 0.000 0.988 0.012 0.000
#> 43015 2 0.0336 0.899 0.000 0.992 0.008 0.000
#> 44001 4 0.0000 1.000 0.000 0.000 0.000 1.000
#> 49004 2 0.0469 0.899 0.000 0.988 0.012 0.000
#> 56007 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 64005 2 0.0000 0.899 0.000 1.000 0.000 0.000
#> 65003 2 0.0817 0.894 0.000 0.976 0.024 0.000
#> 83001 2 0.3610 0.788 0.000 0.800 0.200 0.000
#> LAL4 2 0.0336 0.900 0.000 0.992 0.008 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.0404 0.936 0.000 0.000 0.988 0.012 0.000
#> 01010 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 03002 3 0.0000 0.936 0.000 0.000 1.000 0.000 0.000
#> 04006 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 04008 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 06002 3 0.1357 0.930 0.000 0.004 0.948 0.048 0.000
#> 08001 2 0.2209 0.795 0.000 0.912 0.032 0.056 0.000
#> 08011 3 0.0000 0.936 0.000 0.000 1.000 0.000 0.000
#> 08012 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 08018 3 0.1121 0.932 0.000 0.000 0.956 0.044 0.000
#> 08024 3 0.1270 0.929 0.000 0.000 0.948 0.052 0.000
#> 09008 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 09017 2 0.0609 0.825 0.000 0.980 0.000 0.020 0.000
#> 11005 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 12006 3 0.1341 0.928 0.000 0.000 0.944 0.056 0.000
#> 12007 2 0.4658 0.237 0.000 0.576 0.408 0.016 0.000
#> 12012 3 0.1043 0.933 0.000 0.000 0.960 0.040 0.000
#> 12019 3 0.3477 0.829 0.000 0.112 0.832 0.056 0.000
#> 12026 3 0.1845 0.921 0.000 0.016 0.928 0.056 0.000
#> 14016 3 0.1502 0.926 0.000 0.004 0.940 0.056 0.000
#> 15001 3 0.0880 0.934 0.000 0.000 0.968 0.032 0.000
#> 15004 2 0.0451 0.823 0.000 0.988 0.004 0.008 0.000
#> 15005 4 0.1502 0.962 0.000 0.056 0.004 0.940 0.000
#> 16004 3 0.1502 0.926 0.000 0.004 0.940 0.056 0.000
#> 16009 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 19005 3 0.1121 0.932 0.000 0.000 0.956 0.044 0.000
#> 20002 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 22009 2 0.3424 0.711 0.000 0.760 0.000 0.240 0.000
#> 22010 2 0.3452 0.707 0.000 0.756 0.000 0.244 0.000
#> 22011 3 0.0000 0.936 0.000 0.000 1.000 0.000 0.000
#> 22013 2 0.1251 0.807 0.000 0.956 0.036 0.008 0.000
#> 24001 3 0.0703 0.933 0.000 0.000 0.976 0.024 0.000
#> 24005 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 24008 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 24010 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 24011 3 0.4503 0.543 0.000 0.000 0.664 0.024 0.312
#> 24017 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 24018 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 24019 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 24022 4 0.3123 0.818 0.000 0.184 0.004 0.812 0.000
#> 25003 2 0.2280 0.793 0.000 0.880 0.000 0.120 0.000
#> 25006 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 26001 2 0.4135 0.384 0.000 0.656 0.340 0.004 0.000
#> 26003 2 0.0404 0.825 0.000 0.988 0.000 0.012 0.000
#> 26005 3 0.1043 0.933 0.000 0.000 0.960 0.040 0.000
#> 26008 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 27003 2 0.5236 0.110 0.000 0.492 0.464 0.044 0.000
#> 27004 3 0.0404 0.935 0.000 0.012 0.988 0.000 0.000
#> 28001 5 0.0162 0.998 0.000 0.000 0.000 0.004 0.996
#> 28003 2 0.3424 0.711 0.000 0.760 0.000 0.240 0.000
#> 28005 3 0.1942 0.887 0.000 0.068 0.920 0.012 0.000
#> 28006 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 28007 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 28019 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 28023 3 0.4101 0.467 0.000 0.000 0.628 0.372 0.000
#> 28024 4 0.1704 0.957 0.000 0.068 0.004 0.928 0.000
#> 28028 2 0.3508 0.698 0.000 0.748 0.000 0.252 0.000
#> 28031 3 0.1043 0.933 0.000 0.000 0.960 0.040 0.000
#> 28032 2 0.3242 0.731 0.000 0.784 0.000 0.216 0.000
#> 28035 1 0.0162 0.996 0.996 0.000 0.000 0.004 0.000
#> 28036 2 0.1908 0.806 0.000 0.908 0.000 0.092 0.000
#> 28037 1 0.0290 0.993 0.992 0.000 0.000 0.008 0.000
#> 28042 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 28043 2 0.3534 0.693 0.000 0.744 0.000 0.256 0.000
#> 28044 4 0.1502 0.962 0.000 0.056 0.004 0.940 0.000
#> 28047 3 0.0000 0.936 0.000 0.000 1.000 0.000 0.000
#> 30001 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 31007 5 0.0162 0.998 0.000 0.000 0.000 0.004 0.996
#> 31011 3 0.1270 0.933 0.000 0.000 0.948 0.052 0.000
#> 33005 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 36001 3 0.5622 0.556 0.108 0.004 0.628 0.260 0.000
#> 36002 3 0.0703 0.933 0.000 0.000 0.976 0.024 0.000
#> 37013 4 0.1571 0.962 0.000 0.060 0.004 0.936 0.000
#> 43001 3 0.1341 0.928 0.000 0.000 0.944 0.056 0.000
#> 43004 2 0.3424 0.711 0.000 0.760 0.000 0.240 0.000
#> 43007 3 0.0162 0.936 0.000 0.000 0.996 0.004 0.000
#> 43012 2 0.0290 0.823 0.000 0.992 0.000 0.008 0.000
#> 48001 3 0.4573 0.587 0.000 0.256 0.700 0.044 0.000
#> 49006 3 0.0162 0.936 0.000 0.000 0.996 0.004 0.000
#> 57001 4 0.1502 0.962 0.000 0.056 0.004 0.940 0.000
#> 62001 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> 62002 4 0.1502 0.962 0.000 0.056 0.004 0.940 0.000
#> 62003 2 0.0290 0.823 0.000 0.992 0.000 0.008 0.000
#> 63001 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 64001 3 0.0880 0.931 0.000 0.000 0.968 0.032 0.000
#> 64002 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0880 0.931 0.000 0.000 0.968 0.032 0.000
#> 68001 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 68003 4 0.1544 0.957 0.000 0.068 0.000 0.932 0.000
#> 84004 3 0.0963 0.930 0.000 0.000 0.964 0.036 0.000
#> LAL5 2 0.0404 0.825 0.000 0.988 0.000 0.012 0.000
#> 01003 2 0.3534 0.693 0.000 0.744 0.000 0.256 0.000
#> 01007 2 0.1830 0.790 0.000 0.924 0.068 0.008 0.000
#> 02020 2 0.4150 0.470 0.000 0.612 0.000 0.388 0.000
#> 04018 4 0.2280 0.899 0.000 0.120 0.000 0.880 0.000
#> 09002 2 0.1408 0.809 0.000 0.948 0.044 0.008 0.000
#> 10005 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 11002 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 12008 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 15006 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 16002 2 0.4885 0.314 0.000 0.572 0.400 0.028 0.000
#> 16007 3 0.0404 0.935 0.000 0.000 0.988 0.012 0.000
#> 17003 3 0.1197 0.931 0.000 0.000 0.952 0.048 0.000
#> 18001 3 0.2278 0.893 0.000 0.060 0.908 0.032 0.000
#> 19002 2 0.2966 0.753 0.000 0.816 0.000 0.184 0.000
#> 19008 2 0.1082 0.815 0.000 0.964 0.028 0.008 0.000
#> 19014 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 19017 3 0.0162 0.936 0.000 0.000 0.996 0.004 0.000
#> 20005 2 0.3534 0.693 0.000 0.744 0.000 0.256 0.000
#> 24006 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 26009 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000
#> 28008 5 0.0000 0.999 0.000 0.000 0.000 0.000 1.000
#> 28009 2 0.4475 0.530 0.000 0.692 0.276 0.032 0.000
#> 31015 3 0.0162 0.936 0.000 0.000 0.996 0.004 0.000
#> 37001 2 0.0290 0.823 0.000 0.992 0.000 0.008 0.000
#> 43006 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
#> 43015 2 0.1478 0.815 0.000 0.936 0.000 0.064 0.000
#> 44001 5 0.0162 0.998 0.000 0.000 0.000 0.004 0.996
#> 49004 2 0.0162 0.825 0.000 0.996 0.004 0.000 0.000
#> 56007 2 0.3274 0.728 0.000 0.780 0.000 0.220 0.000
#> 64005 2 0.2020 0.801 0.000 0.900 0.000 0.100 0.000
#> 65003 2 0.0290 0.823 0.000 0.992 0.000 0.008 0.000
#> 83001 4 0.1502 0.962 0.000 0.056 0.004 0.940 0.000
#> LAL4 2 0.0000 0.825 0.000 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.3607 0.399 0.000 0.000 0.652 0.000 0.348 0.000
#> 01010 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 03002 3 0.2697 0.671 0.000 0.000 0.812 0.000 0.188 0.000
#> 04006 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 04007 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 04008 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 04010 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 04016 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 06002 5 0.3961 0.414 0.000 0.004 0.440 0.000 0.556 0.000
#> 08001 2 0.5490 0.337 0.000 0.516 0.344 0.140 0.000 0.000
#> 08011 3 0.3221 0.571 0.000 0.000 0.736 0.000 0.264 0.000
#> 08012 3 0.0713 0.757 0.000 0.000 0.972 0.000 0.028 0.000
#> 08018 5 0.2823 0.743 0.000 0.000 0.204 0.000 0.796 0.000
#> 08024 5 0.3198 0.716 0.000 0.000 0.260 0.000 0.740 0.000
#> 09008 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 09017 2 0.0713 0.861 0.000 0.972 0.000 0.028 0.000 0.000
#> 11005 2 0.1341 0.852 0.000 0.948 0.000 0.028 0.024 0.000
#> 12006 5 0.2527 0.746 0.000 0.000 0.168 0.000 0.832 0.000
#> 12007 2 0.4158 0.554 0.000 0.708 0.252 0.012 0.028 0.000
#> 12012 5 0.3288 0.704 0.000 0.000 0.276 0.000 0.724 0.000
#> 12019 5 0.5345 0.480 0.000 0.116 0.364 0.000 0.520 0.000
#> 12026 5 0.3053 0.743 0.000 0.020 0.168 0.000 0.812 0.000
#> 14016 5 0.2527 0.746 0.000 0.000 0.168 0.000 0.832 0.000
#> 15001 3 0.3765 0.142 0.000 0.000 0.596 0.000 0.404 0.000
#> 15004 2 0.0935 0.858 0.000 0.964 0.000 0.004 0.032 0.000
#> 15005 4 0.1074 0.955 0.000 0.000 0.028 0.960 0.012 0.000
#> 16004 5 0.2911 0.727 0.000 0.024 0.144 0.000 0.832 0.000
#> 16009 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 19005 5 0.3838 0.420 0.000 0.000 0.448 0.000 0.552 0.000
#> 20002 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 22009 2 0.1610 0.850 0.000 0.916 0.000 0.084 0.000 0.000
#> 22010 2 0.2378 0.815 0.000 0.848 0.000 0.152 0.000 0.000
#> 22011 3 0.2996 0.622 0.000 0.000 0.772 0.000 0.228 0.000
#> 22013 2 0.1296 0.855 0.000 0.948 0.004 0.004 0.044 0.000
#> 24001 3 0.0632 0.756 0.000 0.000 0.976 0.000 0.024 0.000
#> 24005 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 24008 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 24010 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 24011 5 0.5074 0.362 0.000 0.000 0.108 0.000 0.596 0.296
#> 24017 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 24018 2 0.0146 0.859 0.000 0.996 0.000 0.004 0.000 0.000
#> 24019 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 24022 4 0.2605 0.849 0.000 0.108 0.028 0.864 0.000 0.000
#> 25003 2 0.0713 0.861 0.000 0.972 0.000 0.028 0.000 0.000
#> 25006 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 26001 2 0.3029 0.764 0.000 0.840 0.036 0.004 0.120 0.000
#> 26003 2 0.0820 0.861 0.000 0.972 0.000 0.012 0.016 0.000
#> 26005 5 0.3823 0.425 0.000 0.000 0.436 0.000 0.564 0.000
#> 26008 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 27003 2 0.4770 0.169 0.000 0.508 0.040 0.004 0.448 0.000
#> 27004 3 0.2510 0.727 0.000 0.028 0.872 0.000 0.100 0.000
#> 28001 6 0.1610 0.952 0.000 0.000 0.000 0.000 0.084 0.916
#> 28003 2 0.1863 0.842 0.000 0.896 0.000 0.104 0.000 0.000
#> 28005 3 0.2714 0.711 0.000 0.064 0.872 0.004 0.060 0.000
#> 28006 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 28007 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 28019 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 28021 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 28023 3 0.3448 0.433 0.000 0.004 0.716 0.280 0.000 0.000
#> 28024 4 0.0972 0.958 0.000 0.008 0.028 0.964 0.000 0.000
#> 28028 2 0.3076 0.743 0.000 0.760 0.000 0.240 0.000 0.000
#> 28031 5 0.3428 0.672 0.000 0.000 0.304 0.000 0.696 0.000
#> 28032 2 0.3364 0.784 0.000 0.780 0.000 0.196 0.024 0.000
#> 28035 1 0.1267 0.951 0.940 0.000 0.000 0.000 0.060 0.000
#> 28036 2 0.1765 0.846 0.000 0.904 0.000 0.096 0.000 0.000
#> 28037 1 0.1411 0.947 0.936 0.000 0.000 0.004 0.060 0.000
#> 28042 2 0.1341 0.852 0.000 0.948 0.000 0.028 0.024 0.000
#> 28043 2 0.3076 0.743 0.000 0.760 0.000 0.240 0.000 0.000
#> 28044 4 0.0713 0.964 0.000 0.000 0.028 0.972 0.000 0.000
#> 28047 3 0.1267 0.750 0.000 0.000 0.940 0.000 0.060 0.000
#> 30001 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 31007 6 0.1610 0.952 0.000 0.000 0.000 0.000 0.084 0.916
#> 31011 3 0.3284 0.652 0.000 0.020 0.784 0.000 0.196 0.000
#> 33005 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 36001 3 0.5702 0.284 0.232 0.000 0.548 0.216 0.004 0.000
#> 36002 3 0.0937 0.756 0.000 0.000 0.960 0.000 0.040 0.000
#> 37013 4 0.0713 0.964 0.000 0.000 0.028 0.972 0.000 0.000
#> 43001 5 0.2527 0.746 0.000 0.000 0.168 0.000 0.832 0.000
#> 43004 2 0.1957 0.839 0.000 0.888 0.000 0.112 0.000 0.000
#> 43007 3 0.3592 0.416 0.000 0.000 0.656 0.000 0.344 0.000
#> 43012 2 0.0858 0.859 0.000 0.968 0.000 0.004 0.028 0.000
#> 48001 5 0.5481 0.109 0.000 0.420 0.108 0.004 0.468 0.000
#> 49006 3 0.3634 0.384 0.000 0.000 0.644 0.000 0.356 0.000
#> 57001 4 0.0713 0.964 0.000 0.000 0.028 0.972 0.000 0.000
#> 62001 3 0.0458 0.755 0.000 0.000 0.984 0.000 0.016 0.000
#> 62002 4 0.0713 0.964 0.000 0.000 0.028 0.972 0.000 0.000
#> 62003 2 0.0405 0.860 0.000 0.988 0.000 0.004 0.008 0.000
#> 63001 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 64001 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 64002 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 65005 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> 68001 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 68003 4 0.0713 0.964 0.000 0.000 0.028 0.972 0.000 0.000
#> 84004 3 0.0000 0.751 0.000 0.000 1.000 0.000 0.000 0.000
#> LAL5 2 0.0146 0.859 0.000 0.996 0.000 0.004 0.000 0.000
#> 01003 2 0.3076 0.743 0.000 0.760 0.000 0.240 0.000 0.000
#> 01007 2 0.2100 0.818 0.000 0.884 0.000 0.004 0.112 0.000
#> 02020 2 0.3126 0.735 0.000 0.752 0.000 0.248 0.000 0.000
#> 04018 4 0.1714 0.867 0.000 0.092 0.000 0.908 0.000 0.000
#> 09002 2 0.1663 0.841 0.000 0.912 0.000 0.000 0.088 0.000
#> 10005 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 11002 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 12008 2 0.1341 0.852 0.000 0.948 0.000 0.028 0.024 0.000
#> 15006 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 16002 2 0.5004 0.400 0.000 0.624 0.276 0.004 0.096 0.000
#> 16007 3 0.2260 0.712 0.000 0.000 0.860 0.000 0.140 0.000
#> 17003 5 0.2562 0.745 0.000 0.000 0.172 0.000 0.828 0.000
#> 18001 3 0.2554 0.729 0.000 0.048 0.876 0.000 0.076 0.000
#> 19002 2 0.2730 0.787 0.000 0.808 0.000 0.192 0.000 0.000
#> 19008 2 0.3316 0.795 0.000 0.844 0.056 0.028 0.072 0.000
#> 19014 2 0.0146 0.860 0.000 0.996 0.000 0.004 0.000 0.000
#> 19017 3 0.3620 0.397 0.000 0.000 0.648 0.000 0.352 0.000
#> 20005 2 0.3050 0.744 0.000 0.764 0.000 0.236 0.000 0.000
#> 24006 2 0.0146 0.859 0.000 0.996 0.000 0.004 0.000 0.000
#> 26009 1 0.0000 0.995 1.000 0.000 0.000 0.000 0.000 0.000
#> 28008 6 0.0000 0.980 0.000 0.000 0.000 0.000 0.000 1.000
#> 28009 2 0.3547 0.553 0.000 0.668 0.000 0.000 0.332 0.000
#> 31015 3 0.3869 -0.205 0.000 0.000 0.500 0.000 0.500 0.000
#> 37001 2 0.0858 0.860 0.000 0.968 0.000 0.004 0.028 0.000
#> 43006 2 0.1341 0.852 0.000 0.948 0.000 0.028 0.024 0.000
#> 43015 2 0.1765 0.846 0.000 0.904 0.000 0.096 0.000 0.000
#> 44001 6 0.1610 0.952 0.000 0.000 0.000 0.000 0.084 0.916
#> 49004 2 0.0891 0.859 0.000 0.968 0.008 0.000 0.024 0.000
#> 56007 2 0.2527 0.806 0.000 0.832 0.000 0.168 0.000 0.000
#> 64005 2 0.0458 0.861 0.000 0.984 0.000 0.016 0.000 0.000
#> 65003 2 0.1644 0.850 0.000 0.932 0.000 0.028 0.040 0.000
#> 83001 4 0.0858 0.961 0.000 0.000 0.028 0.968 0.004 0.000
#> LAL4 2 0.1341 0.852 0.000 0.948 0.000 0.028 0.024 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:mclust 125 0.320 0.893 0.0548 2
#> ATC:mclust 112 0.550 0.160 0.7515 3
#> ATC:mclust 124 0.750 0.109 0.3928 4
#> ATC:mclust 122 0.844 0.165 0.2538 5
#> ATC:mclust 111 0.921 0.418 0.6004 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "NMF"]
# you can also extract it by
# res = res_list["ATC:NMF"]
A summary of res
and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 11993 rows and 128 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots()
function collects all the plots made from res
for all k
(number of partitions)
into one single page to provide an easy and fast comparison between different k
.
collect_plots(res)
The plots are:
k
and the heatmap of
predicted classes for each k
.k
.k
.k
.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number()
produces several plots showing different
statistics for choosing “optimized” k
. There are following statistics:
k
;k
, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1
.
If they are too similar, we won't accept k
is better than k-1
.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats()
.
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.830 0.910 0.962 0.4942 0.502 0.502
#> 3 3 0.618 0.783 0.893 0.3436 0.731 0.510
#> 4 4 0.569 0.540 0.763 0.1155 0.786 0.472
#> 5 5 0.592 0.523 0.708 0.0685 0.802 0.409
#> 6 6 0.636 0.579 0.703 0.0371 0.872 0.495
suggest_best_k()
suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*
)
is inferred by
clue::cl_consensus()
function with the SE
method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes()
function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> 01005 2 0.8144 0.679 0.252 0.748
#> 01010 1 0.0000 0.963 1.000 0.000
#> 03002 2 0.0376 0.952 0.004 0.996
#> 04006 1 0.0000 0.963 1.000 0.000
#> 04007 2 0.0000 0.954 0.000 1.000
#> 04008 1 0.0000 0.963 1.000 0.000
#> 04010 1 0.0000 0.963 1.000 0.000
#> 04016 2 0.0000 0.954 0.000 1.000
#> 06002 1 0.0000 0.963 1.000 0.000
#> 08001 2 0.0000 0.954 0.000 1.000
#> 08011 2 0.5737 0.840 0.136 0.864
#> 08012 2 0.0000 0.954 0.000 1.000
#> 08018 1 0.9209 0.492 0.664 0.336
#> 08024 1 0.0000 0.963 1.000 0.000
#> 09008 1 0.0000 0.963 1.000 0.000
#> 09017 1 0.0000 0.963 1.000 0.000
#> 11005 2 0.0000 0.954 0.000 1.000
#> 12006 1 0.0000 0.963 1.000 0.000
#> 12007 1 0.7139 0.743 0.804 0.196
#> 12012 1 0.0000 0.963 1.000 0.000
#> 12019 1 0.0000 0.963 1.000 0.000
#> 12026 1 0.0000 0.963 1.000 0.000
#> 14016 1 0.0000 0.963 1.000 0.000
#> 15001 1 0.0000 0.963 1.000 0.000
#> 15004 1 0.7950 0.676 0.760 0.240
#> 15005 1 0.0000 0.963 1.000 0.000
#> 16004 1 0.0000 0.963 1.000 0.000
#> 16009 1 0.0000 0.963 1.000 0.000
#> 19005 1 0.0000 0.963 1.000 0.000
#> 20002 1 0.0000 0.963 1.000 0.000
#> 22009 1 0.0000 0.963 1.000 0.000
#> 22010 1 0.0000 0.963 1.000 0.000
#> 22011 2 0.0000 0.954 0.000 1.000
#> 22013 1 0.0000 0.963 1.000 0.000
#> 24001 2 0.0000 0.954 0.000 1.000
#> 24005 2 0.0000 0.954 0.000 1.000
#> 24008 2 0.0376 0.952 0.004 0.996
#> 24010 2 0.0000 0.954 0.000 1.000
#> 24011 1 0.0000 0.963 1.000 0.000
#> 24017 1 0.0000 0.963 1.000 0.000
#> 24018 1 0.0000 0.963 1.000 0.000
#> 24019 1 0.0000 0.963 1.000 0.000
#> 24022 2 0.0000 0.954 0.000 1.000
#> 25003 1 0.0000 0.963 1.000 0.000
#> 25006 1 0.0000 0.963 1.000 0.000
#> 26001 1 0.0000 0.963 1.000 0.000
#> 26003 2 0.0000 0.954 0.000 1.000
#> 26005 1 0.0000 0.963 1.000 0.000
#> 26008 1 0.0000 0.963 1.000 0.000
#> 27003 1 0.0000 0.963 1.000 0.000
#> 27004 2 0.0000 0.954 0.000 1.000
#> 28001 1 0.0000 0.963 1.000 0.000
#> 28003 1 0.0000 0.963 1.000 0.000
#> 28005 2 0.0000 0.954 0.000 1.000
#> 28006 2 0.0000 0.954 0.000 1.000
#> 28007 2 0.0000 0.954 0.000 1.000
#> 28019 1 0.0000 0.963 1.000 0.000
#> 28021 1 0.0000 0.963 1.000 0.000
#> 28023 2 0.0000 0.954 0.000 1.000
#> 28024 2 0.0000 0.954 0.000 1.000
#> 28028 2 0.0000 0.954 0.000 1.000
#> 28031 1 0.0376 0.959 0.996 0.004
#> 28032 2 0.0000 0.954 0.000 1.000
#> 28035 1 0.0000 0.963 1.000 0.000
#> 28036 2 0.0000 0.954 0.000 1.000
#> 28037 1 0.0000 0.963 1.000 0.000
#> 28042 2 0.2236 0.929 0.036 0.964
#> 28043 2 0.0000 0.954 0.000 1.000
#> 28044 1 0.0000 0.963 1.000 0.000
#> 28047 2 0.0000 0.954 0.000 1.000
#> 30001 1 0.0000 0.963 1.000 0.000
#> 31007 1 0.9209 0.492 0.664 0.336
#> 31011 2 0.5178 0.861 0.116 0.884
#> 33005 1 0.0000 0.963 1.000 0.000
#> 36001 1 0.0000 0.963 1.000 0.000
#> 36002 2 0.0000 0.954 0.000 1.000
#> 37013 1 0.0000 0.963 1.000 0.000
#> 43001 1 0.0000 0.963 1.000 0.000
#> 43004 1 0.0000 0.963 1.000 0.000
#> 43007 2 0.0000 0.954 0.000 1.000
#> 43012 2 0.9977 0.119 0.472 0.528
#> 48001 1 0.0000 0.963 1.000 0.000
#> 49006 2 0.0000 0.954 0.000 1.000
#> 57001 2 0.7299 0.753 0.204 0.796
#> 62001 2 0.5408 0.853 0.124 0.876
#> 62002 1 0.9710 0.324 0.600 0.400
#> 62003 1 0.0000 0.963 1.000 0.000
#> 63001 2 0.0000 0.954 0.000 1.000
#> 64001 2 0.0000 0.954 0.000 1.000
#> 64002 1 0.0000 0.963 1.000 0.000
#> 65005 2 0.0000 0.954 0.000 1.000
#> 68001 1 0.0000 0.963 1.000 0.000
#> 68003 1 0.9732 0.313 0.596 0.404
#> 84004 2 0.0000 0.954 0.000 1.000
#> LAL5 2 0.4161 0.890 0.084 0.916
#> 01003 2 0.8386 0.651 0.268 0.732
#> 01007 1 0.0000 0.963 1.000 0.000
#> 02020 1 0.0000 0.963 1.000 0.000
#> 04018 2 0.9795 0.306 0.416 0.584
#> 09002 2 0.0938 0.947 0.012 0.988
#> 10005 2 0.0000 0.954 0.000 1.000
#> 11002 2 0.0000 0.954 0.000 1.000
#> 12008 1 0.0000 0.963 1.000 0.000
#> 15006 1 0.0000 0.963 1.000 0.000
#> 16002 2 0.0000 0.954 0.000 1.000
#> 16007 2 0.0000 0.954 0.000 1.000
#> 17003 1 0.0000 0.963 1.000 0.000
#> 18001 2 0.0000 0.954 0.000 1.000
#> 19002 1 0.0000 0.963 1.000 0.000
#> 19008 2 0.0000 0.954 0.000 1.000
#> 19014 1 0.0000 0.963 1.000 0.000
#> 19017 2 0.0000 0.954 0.000 1.000
#> 20005 2 0.0000 0.954 0.000 1.000
#> 24006 1 0.0000 0.963 1.000 0.000
#> 26009 1 0.0000 0.963 1.000 0.000
#> 28008 2 0.0000 0.954 0.000 1.000
#> 28009 1 0.1184 0.949 0.984 0.016
#> 31015 2 0.0000 0.954 0.000 1.000
#> 37001 1 0.0000 0.963 1.000 0.000
#> 43006 2 0.0000 0.954 0.000 1.000
#> 43015 2 0.0000 0.954 0.000 1.000
#> 44001 2 0.6343 0.811 0.160 0.840
#> 49004 2 0.0000 0.954 0.000 1.000
#> 56007 2 0.5294 0.857 0.120 0.880
#> 64005 1 0.0000 0.963 1.000 0.000
#> 65003 1 0.6623 0.776 0.828 0.172
#> 83001 1 0.0000 0.963 1.000 0.000
#> LAL4 1 0.8955 0.543 0.688 0.312
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> 01005 2 0.7671 0.4099 0.380 0.568 0.052
#> 01010 1 0.0424 0.8972 0.992 0.000 0.008
#> 03002 2 0.2448 0.8480 0.076 0.924 0.000
#> 04006 1 0.0000 0.8989 1.000 0.000 0.000
#> 04007 2 0.0000 0.8752 0.000 1.000 0.000
#> 04008 1 0.0000 0.8989 1.000 0.000 0.000
#> 04010 1 0.0000 0.8989 1.000 0.000 0.000
#> 04016 2 0.6140 0.4314 0.404 0.596 0.000
#> 06002 1 0.3686 0.8135 0.860 0.000 0.140
#> 08001 2 0.0000 0.8752 0.000 1.000 0.000
#> 08011 2 0.4920 0.8022 0.108 0.840 0.052
#> 08012 2 0.2796 0.8385 0.092 0.908 0.000
#> 08018 3 0.0000 0.8539 0.000 0.000 1.000
#> 08024 3 0.5948 0.5206 0.360 0.000 0.640
#> 09008 1 0.0000 0.8989 1.000 0.000 0.000
#> 09017 1 0.3619 0.8175 0.864 0.000 0.136
#> 11005 3 0.5882 0.3894 0.000 0.348 0.652
#> 12006 3 0.0000 0.8539 0.000 0.000 1.000
#> 12007 1 0.1411 0.8796 0.964 0.036 0.000
#> 12012 3 0.6267 0.2621 0.452 0.000 0.548
#> 12019 1 0.5327 0.6084 0.728 0.000 0.272
#> 12026 3 0.4974 0.7360 0.236 0.000 0.764
#> 14016 3 0.4121 0.8006 0.168 0.000 0.832
#> 15001 1 0.3340 0.8337 0.880 0.000 0.120
#> 15004 3 0.0000 0.8539 0.000 0.000 1.000
#> 15005 1 0.0000 0.8989 1.000 0.000 0.000
#> 16004 3 0.4235 0.7945 0.176 0.000 0.824
#> 16009 1 0.2878 0.8527 0.904 0.000 0.096
#> 19005 1 0.3267 0.8379 0.884 0.000 0.116
#> 20002 1 0.0000 0.8989 1.000 0.000 0.000
#> 22009 3 0.5291 0.6936 0.268 0.000 0.732
#> 22010 3 0.2878 0.8423 0.096 0.000 0.904
#> 22011 2 0.0424 0.8740 0.008 0.992 0.000
#> 22013 3 0.4504 0.7774 0.196 0.000 0.804
#> 24001 2 0.5621 0.6169 0.308 0.692 0.000
#> 24005 2 0.0000 0.8752 0.000 1.000 0.000
#> 24008 3 0.0000 0.8539 0.000 0.000 1.000
#> 24010 3 0.0424 0.8509 0.000 0.008 0.992
#> 24011 3 0.1860 0.8543 0.052 0.000 0.948
#> 24017 1 0.0000 0.8989 1.000 0.000 0.000
#> 24018 3 0.3267 0.8335 0.116 0.000 0.884
#> 24019 1 0.0000 0.8989 1.000 0.000 0.000
#> 24022 2 0.0000 0.8752 0.000 1.000 0.000
#> 25003 3 0.5138 0.7148 0.252 0.000 0.748
#> 25006 1 0.3412 0.8300 0.876 0.000 0.124
#> 26001 3 0.5397 0.6758 0.280 0.000 0.720
#> 26003 2 0.0000 0.8752 0.000 1.000 0.000
#> 26005 1 0.3816 0.8041 0.852 0.000 0.148
#> 26008 1 0.0000 0.8989 1.000 0.000 0.000
#> 27003 3 0.0892 0.8563 0.020 0.000 0.980
#> 27004 2 0.0000 0.8752 0.000 1.000 0.000
#> 28001 3 0.0000 0.8539 0.000 0.000 1.000
#> 28003 3 0.3551 0.8255 0.132 0.000 0.868
#> 28005 2 0.0000 0.8752 0.000 1.000 0.000
#> 28006 3 0.6079 0.2889 0.000 0.388 0.612
#> 28007 2 0.0237 0.8748 0.004 0.996 0.000
#> 28019 1 0.1163 0.8909 0.972 0.000 0.028
#> 28021 1 0.1031 0.8863 0.976 0.024 0.000
#> 28023 2 0.5178 0.6889 0.256 0.744 0.000
#> 28024 2 0.3192 0.8267 0.112 0.888 0.000
#> 28028 2 0.0000 0.8752 0.000 1.000 0.000
#> 28031 3 0.1411 0.8567 0.036 0.000 0.964
#> 28032 2 0.0000 0.8752 0.000 1.000 0.000
#> 28035 1 0.0000 0.8989 1.000 0.000 0.000
#> 28036 2 0.0000 0.8752 0.000 1.000 0.000
#> 28037 1 0.0000 0.8989 1.000 0.000 0.000
#> 28042 3 0.0000 0.8539 0.000 0.000 1.000
#> 28043 2 0.0000 0.8752 0.000 1.000 0.000
#> 28044 1 0.2356 0.8489 0.928 0.072 0.000
#> 28047 2 0.0000 0.8752 0.000 1.000 0.000
#> 30001 1 0.0000 0.8989 1.000 0.000 0.000
#> 31007 3 0.0000 0.8539 0.000 0.000 1.000
#> 31011 2 0.5810 0.5714 0.336 0.664 0.000
#> 33005 1 0.0000 0.8989 1.000 0.000 0.000
#> 36001 1 0.0000 0.8989 1.000 0.000 0.000
#> 36002 2 0.3619 0.8083 0.136 0.864 0.000
#> 37013 1 0.0000 0.8989 1.000 0.000 0.000
#> 43001 3 0.2625 0.8463 0.084 0.000 0.916
#> 43004 1 0.5363 0.5996 0.724 0.000 0.276
#> 43007 2 0.0000 0.8752 0.000 1.000 0.000
#> 43012 3 0.1399 0.8569 0.028 0.004 0.968
#> 48001 1 0.3116 0.8442 0.892 0.000 0.108
#> 49006 2 0.1289 0.8601 0.000 0.968 0.032
#> 57001 1 0.5650 0.4598 0.688 0.312 0.000
#> 62001 2 0.6299 0.2348 0.476 0.524 0.000
#> 62002 1 0.4555 0.6834 0.800 0.200 0.000
#> 62003 3 0.4842 0.7496 0.224 0.000 0.776
#> 63001 3 0.6308 -0.0454 0.000 0.492 0.508
#> 64001 2 0.5859 0.5570 0.344 0.656 0.000
#> 64002 1 0.0000 0.8989 1.000 0.000 0.000
#> 65005 2 0.0237 0.8748 0.004 0.996 0.000
#> 68001 1 0.0892 0.8940 0.980 0.000 0.020
#> 68003 1 0.3816 0.7581 0.852 0.148 0.000
#> 84004 2 0.0000 0.8752 0.000 1.000 0.000
#> LAL5 2 0.4702 0.7176 0.000 0.788 0.212
#> 01003 2 0.9063 0.3679 0.200 0.552 0.248
#> 01007 1 0.5678 0.5101 0.684 0.000 0.316
#> 02020 1 0.5138 0.6455 0.748 0.000 0.252
#> 04018 1 0.5016 0.6170 0.760 0.240 0.000
#> 09002 3 0.2878 0.7888 0.000 0.096 0.904
#> 10005 2 0.3340 0.8007 0.000 0.880 0.120
#> 11002 2 0.6154 0.3264 0.000 0.592 0.408
#> 12008 3 0.0000 0.8539 0.000 0.000 1.000
#> 15006 1 0.0000 0.8989 1.000 0.000 0.000
#> 16002 2 0.0000 0.8752 0.000 1.000 0.000
#> 16007 2 0.0592 0.8732 0.012 0.988 0.000
#> 17003 3 0.2066 0.8525 0.060 0.000 0.940
#> 18001 2 0.0000 0.8752 0.000 1.000 0.000
#> 19002 1 0.2625 0.8605 0.916 0.000 0.084
#> 19008 3 0.1860 0.8276 0.000 0.052 0.948
#> 19014 3 0.3752 0.8162 0.144 0.000 0.856
#> 19017 2 0.0892 0.8668 0.000 0.980 0.020
#> 20005 2 0.0000 0.8752 0.000 1.000 0.000
#> 24006 3 0.1753 0.8549 0.048 0.000 0.952
#> 26009 1 0.1163 0.8909 0.972 0.000 0.028
#> 28008 2 0.4121 0.7548 0.000 0.832 0.168
#> 28009 3 0.0592 0.8556 0.012 0.000 0.988
#> 31015 2 0.5291 0.6227 0.000 0.732 0.268
#> 37001 3 0.3267 0.8338 0.116 0.000 0.884
#> 43006 2 0.0000 0.8752 0.000 1.000 0.000
#> 43015 2 0.1643 0.8627 0.044 0.956 0.000
#> 44001 3 0.0000 0.8539 0.000 0.000 1.000
#> 49004 2 0.2796 0.8243 0.000 0.908 0.092
#> 56007 2 0.5158 0.6856 0.004 0.764 0.232
#> 64005 3 0.5058 0.7262 0.244 0.000 0.756
#> 65003 3 0.0000 0.8539 0.000 0.000 1.000
#> 83001 1 0.1031 0.8863 0.976 0.024 0.000
#> LAL4 3 0.0000 0.8539 0.000 0.000 1.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> 01005 4 0.7887 0.0643 0.080 0.060 0.392 0.468
#> 01010 1 0.0336 0.8966 0.992 0.000 0.008 0.000
#> 03002 4 0.5271 0.3022 0.000 0.024 0.320 0.656
#> 04006 1 0.0336 0.8966 0.992 0.000 0.008 0.000
#> 04007 4 0.2660 0.6254 0.056 0.000 0.036 0.908
#> 04008 1 0.0188 0.8969 0.996 0.000 0.004 0.000
#> 04010 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 04016 4 0.6007 0.2704 0.408 0.000 0.044 0.548
#> 06002 1 0.7476 0.4790 0.608 0.184 0.172 0.036
#> 08001 4 0.2737 0.6462 0.000 0.104 0.008 0.888
#> 08011 4 0.6627 -0.1047 0.060 0.008 0.452 0.480
#> 08012 4 0.5234 0.5402 0.096 0.000 0.152 0.752
#> 08018 3 0.4343 0.4314 0.000 0.264 0.732 0.004
#> 08024 3 0.6712 0.3504 0.296 0.096 0.600 0.008
#> 09008 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 09017 2 0.5271 0.2533 0.020 0.640 0.000 0.340
#> 11005 2 0.4053 0.4937 0.000 0.768 0.004 0.228
#> 12006 3 0.4008 0.4638 0.000 0.244 0.756 0.000
#> 12007 2 0.7491 -0.1393 0.116 0.464 0.016 0.404
#> 12012 3 0.6789 0.2736 0.336 0.080 0.572 0.012
#> 12019 2 0.7811 0.2879 0.336 0.496 0.144 0.024
#> 12026 2 0.7458 0.1579 0.176 0.444 0.380 0.000
#> 14016 2 0.5398 0.2960 0.016 0.580 0.404 0.000
#> 15001 1 0.3910 0.7573 0.820 0.000 0.156 0.024
#> 15004 2 0.3610 0.5986 0.000 0.800 0.200 0.000
#> 15005 1 0.3982 0.6649 0.776 0.220 0.004 0.000
#> 16004 2 0.5161 0.3097 0.008 0.592 0.400 0.000
#> 16009 1 0.1004 0.8871 0.972 0.004 0.024 0.000
#> 19005 1 0.1890 0.8608 0.936 0.008 0.056 0.000
#> 20002 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 22009 2 0.0844 0.7061 0.004 0.980 0.012 0.004
#> 22010 2 0.1545 0.7000 0.008 0.952 0.000 0.040
#> 22011 4 0.4855 0.0960 0.000 0.000 0.400 0.600
#> 22013 2 0.3479 0.6438 0.012 0.840 0.148 0.000
#> 24001 4 0.6561 0.4959 0.212 0.004 0.140 0.644
#> 24005 4 0.2760 0.5767 0.000 0.000 0.128 0.872
#> 24008 3 0.1837 0.6056 0.000 0.028 0.944 0.028
#> 24010 3 0.1837 0.6053 0.000 0.028 0.944 0.028
#> 24011 3 0.4171 0.5570 0.088 0.084 0.828 0.000
#> 24017 1 0.0188 0.8974 0.996 0.000 0.004 0.000
#> 24018 2 0.2593 0.6745 0.004 0.892 0.104 0.000
#> 24019 1 0.0336 0.8966 0.992 0.000 0.008 0.000
#> 24022 4 0.3853 0.6422 0.000 0.160 0.020 0.820
#> 25003 2 0.1396 0.7030 0.004 0.960 0.004 0.032
#> 25006 1 0.1722 0.8679 0.944 0.008 0.048 0.000
#> 26001 2 0.6095 0.5183 0.108 0.668 0.224 0.000
#> 26003 4 0.4936 0.4599 0.000 0.372 0.004 0.624
#> 26005 1 0.7375 0.5100 0.624 0.168 0.168 0.040
#> 26008 1 0.0188 0.8974 0.996 0.000 0.004 0.000
#> 27003 2 0.4624 0.4180 0.000 0.660 0.340 0.000
#> 27004 4 0.1940 0.6024 0.000 0.000 0.076 0.924
#> 28001 2 0.5167 0.1277 0.004 0.508 0.488 0.000
#> 28003 2 0.1820 0.7002 0.020 0.944 0.000 0.036
#> 28005 4 0.0921 0.6244 0.000 0.000 0.028 0.972
#> 28006 3 0.4897 0.4198 0.000 0.008 0.660 0.332
#> 28007 4 0.2227 0.6266 0.036 0.000 0.036 0.928
#> 28019 1 0.0336 0.8969 0.992 0.000 0.008 0.000
#> 28021 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 28023 4 0.4500 0.5791 0.192 0.000 0.032 0.776
#> 28024 4 0.1749 0.6388 0.012 0.024 0.012 0.952
#> 28028 4 0.3870 0.6206 0.000 0.208 0.004 0.788
#> 28031 3 0.5558 0.1711 0.028 0.364 0.608 0.000
#> 28032 4 0.4889 0.4755 0.000 0.360 0.004 0.636
#> 28035 1 0.0376 0.8947 0.992 0.004 0.004 0.000
#> 28036 4 0.5062 0.5478 0.000 0.300 0.020 0.680
#> 28037 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 28042 2 0.1118 0.7022 0.000 0.964 0.036 0.000
#> 28043 4 0.4920 0.4690 0.000 0.368 0.004 0.628
#> 28044 4 0.6731 0.3335 0.080 0.404 0.004 0.512
#> 28047 4 0.2011 0.6022 0.000 0.000 0.080 0.920
#> 30001 1 0.0188 0.8974 0.996 0.000 0.004 0.000
#> 31007 3 0.3688 0.5016 0.000 0.208 0.792 0.000
#> 31011 4 0.4819 0.6421 0.060 0.152 0.004 0.784
#> 33005 1 0.0188 0.8974 0.996 0.000 0.004 0.000
#> 36001 1 0.0188 0.8963 0.996 0.000 0.004 0.000
#> 36002 4 0.4426 0.5922 0.096 0.000 0.092 0.812
#> 37013 2 0.7122 0.3243 0.304 0.552 0.004 0.140
#> 43001 2 0.5576 0.2074 0.020 0.536 0.444 0.000
#> 43004 2 0.2570 0.6917 0.028 0.916 0.004 0.052
#> 43007 4 0.4164 0.3922 0.000 0.000 0.264 0.736
#> 43012 2 0.4535 0.6695 0.004 0.812 0.080 0.104
#> 48001 2 0.4822 0.5473 0.240 0.736 0.020 0.004
#> 49006 4 0.4804 0.1354 0.000 0.000 0.384 0.616
#> 57001 4 0.6790 0.5260 0.200 0.192 0.000 0.608
#> 62001 1 0.5444 0.1547 0.560 0.000 0.016 0.424
#> 62002 4 0.7200 0.4809 0.260 0.172 0.004 0.564
#> 62003 2 0.2546 0.6804 0.008 0.900 0.092 0.000
#> 63001 3 0.5159 0.3881 0.000 0.012 0.624 0.364
#> 64001 1 0.7661 -0.1145 0.412 0.000 0.212 0.376
#> 64002 1 0.0188 0.8974 0.996 0.000 0.004 0.000
#> 65005 4 0.4578 0.5419 0.052 0.000 0.160 0.788
#> 68001 1 0.0657 0.8943 0.984 0.004 0.012 0.000
#> 68003 4 0.5862 0.3704 0.028 0.408 0.004 0.560
#> 84004 4 0.1792 0.6109 0.000 0.000 0.068 0.932
#> LAL5 4 0.5167 0.2224 0.000 0.488 0.004 0.508
#> 01003 2 0.5365 0.0265 0.004 0.576 0.008 0.412
#> 01007 2 0.4100 0.6534 0.048 0.824 0.128 0.000
#> 02020 2 0.1811 0.7018 0.028 0.948 0.004 0.020
#> 04018 4 0.6018 0.3745 0.036 0.404 0.004 0.556
#> 09002 2 0.4784 0.6513 0.000 0.788 0.112 0.100
#> 10005 3 0.5203 0.3029 0.000 0.008 0.576 0.416
#> 11002 3 0.5099 0.3673 0.000 0.008 0.612 0.380
#> 12008 2 0.1389 0.6982 0.000 0.952 0.048 0.000
#> 15006 1 0.0469 0.8956 0.988 0.000 0.012 0.000
#> 16002 4 0.2644 0.6224 0.000 0.032 0.060 0.908
#> 16007 4 0.4872 0.4502 0.028 0.000 0.244 0.728
#> 17003 3 0.5686 0.1530 0.032 0.376 0.592 0.000
#> 18001 4 0.1118 0.6206 0.000 0.000 0.036 0.964
#> 19002 2 0.3994 0.6208 0.028 0.828 0.004 0.140
#> 19008 2 0.5973 0.3336 0.000 0.612 0.332 0.056
#> 19014 2 0.2485 0.6872 0.016 0.916 0.004 0.064
#> 19017 4 0.5281 -0.0678 0.000 0.008 0.464 0.528
#> 20005 4 0.5112 0.4441 0.000 0.384 0.008 0.608
#> 24006 2 0.0712 0.7060 0.004 0.984 0.008 0.004
#> 26009 1 0.0469 0.8956 0.988 0.000 0.012 0.000
#> 28008 3 0.5193 0.3117 0.000 0.008 0.580 0.412
#> 28009 2 0.4866 0.3206 0.000 0.596 0.404 0.000
#> 31015 3 0.5957 0.3414 0.000 0.040 0.540 0.420
#> 37001 2 0.1151 0.7051 0.024 0.968 0.008 0.000
#> 43006 4 0.4661 0.5863 0.000 0.256 0.016 0.728
#> 43015 4 0.5112 0.4434 0.000 0.384 0.008 0.608
#> 44001 3 0.3680 0.5447 0.004 0.160 0.828 0.008
#> 49004 4 0.4741 0.6143 0.000 0.228 0.028 0.744
#> 56007 2 0.5295 -0.2203 0.000 0.504 0.008 0.488
#> 64005 2 0.0564 0.7057 0.004 0.988 0.004 0.004
#> 65003 2 0.1022 0.7022 0.000 0.968 0.032 0.000
#> 83001 1 0.4535 0.7357 0.812 0.080 0.004 0.104
#> LAL4 2 0.0592 0.7049 0.000 0.984 0.016 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> 01005 3 0.4684 0.6944 0.048 0.040 0.808 0.056 0.048
#> 01010 1 0.1872 0.9036 0.928 0.000 0.052 0.000 0.020
#> 03002 3 0.4729 0.5910 0.036 0.032 0.780 0.136 0.016
#> 04006 1 0.0486 0.9222 0.988 0.004 0.004 0.000 0.004
#> 04007 3 0.4925 0.5927 0.060 0.004 0.708 0.224 0.004
#> 04008 1 0.0880 0.9208 0.968 0.000 0.032 0.000 0.000
#> 04010 1 0.1518 0.9118 0.944 0.000 0.048 0.004 0.004
#> 04016 3 0.4917 0.6355 0.140 0.004 0.744 0.104 0.008
#> 06002 3 0.6403 0.5232 0.196 0.128 0.624 0.000 0.052
#> 08001 4 0.6783 0.1967 0.000 0.232 0.340 0.424 0.004
#> 08011 3 0.3796 0.6863 0.024 0.012 0.848 0.048 0.068
#> 08012 3 0.3442 0.6821 0.060 0.000 0.836 0.104 0.000
#> 08018 5 0.7664 0.4482 0.020 0.228 0.244 0.036 0.472
#> 08024 5 0.7006 0.1340 0.172 0.032 0.312 0.000 0.484
#> 09008 1 0.1518 0.9119 0.944 0.000 0.048 0.004 0.004
#> 09017 2 0.2522 0.6273 0.000 0.896 0.024 0.076 0.004
#> 11005 2 0.2569 0.6274 0.000 0.896 0.032 0.068 0.004
#> 12006 5 0.3361 0.5978 0.012 0.020 0.056 0.040 0.872
#> 12007 3 0.5377 0.4397 0.012 0.364 0.588 0.032 0.004
#> 12012 3 0.6552 0.3707 0.160 0.016 0.532 0.000 0.292
#> 12019 2 0.7912 -0.1637 0.076 0.372 0.292 0.000 0.260
#> 12026 5 0.6035 0.3612 0.056 0.408 0.028 0.000 0.508
#> 14016 5 0.4715 0.5247 0.024 0.300 0.008 0.000 0.668
#> 15001 3 0.5922 0.4646 0.320 0.008 0.572 0.000 0.100
#> 15004 5 0.4321 0.3784 0.000 0.396 0.000 0.004 0.600
#> 15005 1 0.4062 0.7880 0.796 0.132 0.068 0.000 0.004
#> 16004 5 0.3707 0.5536 0.000 0.284 0.000 0.000 0.716
#> 16009 1 0.2234 0.8973 0.916 0.004 0.044 0.000 0.036
#> 19005 1 0.4221 0.7621 0.780 0.008 0.052 0.000 0.160
#> 20002 1 0.1043 0.9207 0.960 0.000 0.040 0.000 0.000
#> 22009 2 0.2389 0.5815 0.004 0.880 0.000 0.000 0.116
#> 22010 2 0.1106 0.6257 0.000 0.964 0.000 0.012 0.024
#> 22011 3 0.3381 0.6503 0.000 0.004 0.820 0.160 0.016
#> 22013 2 0.4759 0.2362 0.008 0.644 0.020 0.000 0.328
#> 24001 3 0.3735 0.6779 0.076 0.004 0.832 0.084 0.004
#> 24005 4 0.4211 0.2622 0.000 0.000 0.360 0.636 0.004
#> 24008 5 0.5565 0.3428 0.004 0.000 0.172 0.164 0.660
#> 24010 5 0.5981 0.2445 0.008 0.000 0.132 0.260 0.600
#> 24011 5 0.4920 0.6260 0.052 0.108 0.064 0.004 0.772
#> 24017 1 0.0000 0.9222 1.000 0.000 0.000 0.000 0.000
#> 24018 2 0.3508 0.4682 0.000 0.748 0.000 0.000 0.252
#> 24019 1 0.1547 0.9114 0.948 0.004 0.032 0.000 0.016
#> 24022 4 0.5104 0.4929 0.000 0.192 0.116 0.692 0.000
#> 25003 2 0.2654 0.6069 0.016 0.900 0.044 0.000 0.040
#> 25006 1 0.2819 0.8815 0.884 0.012 0.080 0.000 0.024
#> 26001 2 0.5554 -0.0201 0.028 0.556 0.028 0.000 0.388
#> 26003 2 0.5255 0.2058 0.000 0.560 0.052 0.388 0.000
#> 26005 3 0.5964 0.5303 0.228 0.076 0.648 0.000 0.048
#> 26008 1 0.0963 0.9187 0.964 0.000 0.036 0.000 0.000
#> 27003 5 0.4114 0.4199 0.000 0.376 0.000 0.000 0.624
#> 27004 4 0.3106 0.5050 0.000 0.000 0.132 0.844 0.024
#> 28001 5 0.3366 0.6054 0.000 0.212 0.004 0.000 0.784
#> 28003 2 0.2408 0.6130 0.000 0.892 0.000 0.016 0.092
#> 28005 4 0.3890 0.4155 0.000 0.012 0.252 0.736 0.000
#> 28006 4 0.6114 0.1738 0.000 0.000 0.132 0.492 0.376
#> 28007 4 0.5373 0.3150 0.048 0.008 0.316 0.624 0.004
#> 28019 1 0.1774 0.9064 0.932 0.000 0.052 0.000 0.016
#> 28021 1 0.1885 0.9053 0.932 0.000 0.044 0.020 0.004
#> 28023 4 0.5481 0.4481 0.156 0.016 0.136 0.692 0.000
#> 28024 4 0.4396 0.4954 0.012 0.056 0.160 0.772 0.000
#> 28028 4 0.6089 0.3223 0.000 0.324 0.144 0.532 0.000
#> 28031 5 0.4478 0.6236 0.052 0.064 0.012 0.060 0.812
#> 28032 2 0.5708 0.1044 0.000 0.504 0.084 0.412 0.000
#> 28035 1 0.0451 0.9218 0.988 0.000 0.008 0.004 0.000
#> 28036 4 0.5308 0.3448 0.000 0.304 0.076 0.620 0.000
#> 28037 1 0.1041 0.9215 0.964 0.000 0.032 0.004 0.000
#> 28042 2 0.3910 0.4473 0.000 0.720 0.000 0.008 0.272
#> 28043 2 0.6028 0.1128 0.000 0.504 0.104 0.388 0.004
#> 28044 4 0.7731 0.0982 0.256 0.336 0.056 0.352 0.000
#> 28047 4 0.1918 0.5120 0.000 0.000 0.036 0.928 0.036
#> 30001 1 0.0727 0.9222 0.980 0.000 0.012 0.004 0.004
#> 31007 5 0.2935 0.5762 0.000 0.012 0.024 0.088 0.876
#> 31011 4 0.6878 0.3970 0.040 0.128 0.244 0.576 0.012
#> 33005 1 0.1116 0.9190 0.964 0.000 0.028 0.004 0.004
#> 36001 1 0.1591 0.9099 0.940 0.000 0.052 0.004 0.004
#> 36002 3 0.4009 0.6588 0.028 0.008 0.792 0.168 0.004
#> 37013 2 0.4333 0.5516 0.116 0.792 0.080 0.004 0.008
#> 43001 5 0.3835 0.5747 0.008 0.260 0.000 0.000 0.732
#> 43004 2 0.1605 0.6250 0.000 0.944 0.004 0.012 0.040
#> 43007 3 0.3402 0.6367 0.000 0.004 0.804 0.184 0.008
#> 43012 2 0.6991 0.2741 0.000 0.452 0.016 0.232 0.300
#> 48001 2 0.6820 -0.0364 0.336 0.416 0.004 0.000 0.244
#> 49006 3 0.4124 0.6763 0.000 0.040 0.820 0.072 0.068
#> 57001 4 0.8258 0.3177 0.248 0.192 0.144 0.412 0.004
#> 62001 1 0.5463 0.2826 0.556 0.000 0.036 0.392 0.016
#> 62002 4 0.8091 0.3017 0.308 0.176 0.112 0.400 0.004
#> 62003 2 0.3906 0.3906 0.004 0.704 0.000 0.000 0.292
#> 63001 4 0.6333 0.2271 0.000 0.000 0.176 0.496 0.328
#> 64001 3 0.3532 0.6721 0.128 0.000 0.824 0.048 0.000
#> 64002 1 0.0703 0.9211 0.976 0.000 0.024 0.000 0.000
#> 65005 3 0.3459 0.6794 0.052 0.000 0.832 0.116 0.000
#> 68001 1 0.1630 0.9097 0.944 0.004 0.036 0.000 0.016
#> 68003 2 0.5869 0.4244 0.016 0.672 0.148 0.156 0.008
#> 84004 3 0.3932 0.5250 0.000 0.000 0.672 0.328 0.000
#> LAL5 2 0.3695 0.5511 0.000 0.800 0.036 0.164 0.000
#> 01003 2 0.3819 0.5046 0.000 0.756 0.016 0.228 0.000
#> 01007 2 0.5501 0.1397 0.064 0.572 0.004 0.000 0.360
#> 02020 2 0.2260 0.6161 0.012 0.920 0.048 0.004 0.016
#> 04018 2 0.5991 0.0798 0.012 0.484 0.064 0.436 0.004
#> 09002 3 0.6462 0.2049 0.000 0.344 0.484 0.004 0.168
#> 10005 4 0.6141 0.3203 0.000 0.000 0.196 0.560 0.244
#> 11002 4 0.6117 0.2697 0.000 0.000 0.156 0.540 0.304
#> 12008 2 0.2929 0.5550 0.000 0.840 0.008 0.000 0.152
#> 15006 1 0.0324 0.9218 0.992 0.004 0.004 0.000 0.000
#> 16002 4 0.1651 0.5293 0.000 0.036 0.012 0.944 0.008
#> 16007 4 0.5944 0.3956 0.020 0.000 0.280 0.608 0.092
#> 17003 5 0.2170 0.6390 0.000 0.088 0.004 0.004 0.904
#> 18001 4 0.3039 0.5003 0.000 0.012 0.152 0.836 0.000
#> 19002 2 0.2491 0.6305 0.000 0.896 0.000 0.068 0.036
#> 19008 4 0.8902 0.1964 0.052 0.180 0.120 0.392 0.256
#> 19014 2 0.4437 0.5924 0.000 0.760 0.000 0.140 0.100
#> 19017 4 0.6231 0.3232 0.000 0.004 0.204 0.568 0.224
#> 20005 2 0.5344 0.0899 0.000 0.500 0.052 0.448 0.000
#> 24006 2 0.1792 0.6049 0.000 0.916 0.000 0.000 0.084
#> 26009 1 0.2075 0.9017 0.924 0.004 0.040 0.000 0.032
#> 28008 4 0.5952 0.3221 0.000 0.000 0.164 0.584 0.252
#> 28009 5 0.5006 0.5011 0.000 0.328 0.000 0.048 0.624
#> 31015 5 0.6424 -0.0323 0.000 0.020 0.112 0.356 0.512
#> 37001 2 0.3452 0.4895 0.000 0.756 0.000 0.000 0.244
#> 43006 4 0.5480 0.3934 0.000 0.288 0.096 0.616 0.000
#> 43015 2 0.6090 0.2941 0.000 0.588 0.180 0.228 0.004
#> 44001 5 0.2067 0.6353 0.000 0.048 0.000 0.032 0.920
#> 49004 3 0.6036 0.5004 0.000 0.220 0.632 0.124 0.024
#> 56007 2 0.5088 0.4773 0.008 0.716 0.080 0.192 0.004
#> 64005 2 0.2377 0.5849 0.000 0.872 0.000 0.000 0.128
#> 65003 2 0.4444 0.2714 0.000 0.624 0.000 0.012 0.364
#> 83001 1 0.3838 0.8214 0.820 0.108 0.064 0.008 0.000
#> LAL4 2 0.3039 0.5454 0.000 0.808 0.000 0.000 0.192
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> 01005 3 0.1225 0.72866 0.000 0.004 0.956 0.004 0.032 0.004
#> 01010 1 0.3503 0.81786 0.840 0.000 0.004 0.048 0.064 0.044
#> 03002 6 0.7510 0.11456 0.092 0.000 0.348 0.044 0.120 0.396
#> 04006 1 0.1608 0.84817 0.944 0.000 0.008 0.020 0.008 0.020
#> 04007 3 0.2500 0.67814 0.012 0.000 0.868 0.116 0.000 0.004
#> 04008 1 0.3160 0.83699 0.864 0.000 0.008 0.052 0.044 0.032
#> 04010 1 0.3208 0.81556 0.852 0.000 0.008 0.088 0.016 0.036
#> 04016 3 0.3525 0.67956 0.036 0.000 0.836 0.092 0.012 0.024
#> 06002 3 0.6886 0.55316 0.120 0.008 0.596 0.052 0.148 0.076
#> 08001 5 0.6410 0.12985 0.000 0.000 0.300 0.200 0.468 0.032
#> 08011 3 0.1180 0.73143 0.000 0.012 0.960 0.000 0.016 0.012
#> 08012 3 0.1138 0.72816 0.000 0.000 0.960 0.024 0.012 0.004
#> 08018 3 0.7827 0.12147 0.008 0.304 0.364 0.044 0.056 0.224
#> 08024 3 0.7296 0.28964 0.048 0.304 0.460 0.032 0.012 0.144
#> 09008 1 0.3315 0.81215 0.844 0.000 0.012 0.096 0.012 0.036
#> 09017 5 0.4260 0.57089 0.000 0.184 0.012 0.064 0.740 0.000
#> 11005 5 0.5290 0.42505 0.000 0.280 0.016 0.048 0.632 0.024
#> 12006 6 0.5634 0.51054 0.060 0.256 0.008 0.032 0.012 0.632
#> 12007 3 0.4055 0.56639 0.000 0.036 0.728 0.008 0.228 0.000
#> 12012 3 0.6030 0.59945 0.064 0.104 0.688 0.036 0.020 0.088
#> 12019 2 0.4951 0.52097 0.004 0.672 0.252 0.016 0.048 0.008
#> 12026 2 0.7307 0.52785 0.096 0.576 0.036 0.040 0.104 0.148
#> 14016 2 0.4942 0.60180 0.040 0.756 0.032 0.032 0.016 0.124
#> 15001 3 0.6242 0.47380 0.224 0.000 0.580 0.056 0.008 0.132
#> 15004 2 0.4203 0.64587 0.008 0.768 0.000 0.012 0.064 0.148
#> 15005 1 0.4464 0.67614 0.672 0.000 0.000 0.032 0.280 0.016
#> 16004 2 0.1282 0.69904 0.000 0.956 0.004 0.012 0.004 0.024
#> 16009 1 0.4052 0.80324 0.808 0.004 0.004 0.052 0.080 0.052
#> 19005 1 0.6971 0.53873 0.588 0.196 0.052 0.080 0.028 0.056
#> 20002 1 0.2130 0.84984 0.920 0.000 0.008 0.028 0.016 0.028
#> 22009 2 0.3955 0.55918 0.000 0.648 0.008 0.004 0.340 0.000
#> 22010 5 0.3515 0.30135 0.000 0.324 0.000 0.000 0.676 0.000
#> 22011 3 0.1766 0.73089 0.000 0.004 0.936 0.016 0.016 0.028
#> 22013 2 0.3090 0.71974 0.000 0.828 0.028 0.000 0.140 0.004
#> 24001 3 0.2067 0.72451 0.008 0.004 0.924 0.036 0.020 0.008
#> 24005 4 0.4976 0.55925 0.000 0.000 0.324 0.596 0.004 0.076
#> 24008 6 0.3286 0.65906 0.000 0.112 0.044 0.012 0.000 0.832
#> 24010 6 0.2819 0.68027 0.000 0.060 0.032 0.032 0.000 0.876
#> 24011 2 0.6031 0.44888 0.024 0.648 0.092 0.032 0.016 0.188
#> 24017 1 0.0551 0.84870 0.984 0.000 0.004 0.008 0.004 0.000
#> 24018 2 0.2913 0.71074 0.000 0.812 0.000 0.004 0.180 0.004
#> 24019 1 0.2471 0.83610 0.896 0.000 0.000 0.044 0.020 0.040
#> 24022 4 0.6335 0.06927 0.008 0.000 0.108 0.440 0.404 0.040
#> 25003 5 0.3974 0.51545 0.000 0.156 0.028 0.020 0.784 0.012
#> 25006 1 0.4103 0.79220 0.792 0.000 0.004 0.048 0.112 0.044
#> 26001 2 0.3839 0.70422 0.000 0.784 0.040 0.004 0.160 0.012
#> 26003 5 0.4566 0.54553 0.000 0.004 0.032 0.244 0.696 0.024
#> 26005 3 0.6426 0.59469 0.120 0.016 0.652 0.044 0.096 0.072
#> 26008 1 0.1877 0.84543 0.932 0.000 0.008 0.024 0.012 0.024
#> 27003 2 0.0914 0.71119 0.000 0.968 0.000 0.000 0.016 0.016
#> 27004 4 0.4576 0.53258 0.000 0.000 0.084 0.712 0.012 0.192
#> 28001 2 0.2765 0.64380 0.000 0.848 0.000 0.016 0.004 0.132
#> 28003 2 0.4026 0.54524 0.000 0.636 0.000 0.016 0.348 0.000
#> 28005 4 0.5029 0.64208 0.000 0.000 0.248 0.660 0.036 0.056
#> 28006 6 0.3782 0.68153 0.000 0.040 0.016 0.144 0.004 0.796
#> 28007 4 0.4991 0.60565 0.016 0.000 0.280 0.648 0.012 0.044
#> 28019 1 0.2610 0.83732 0.892 0.000 0.004 0.020 0.036 0.048
#> 28021 1 0.4299 0.74639 0.748 0.000 0.012 0.188 0.016 0.036
#> 28023 4 0.4271 0.52543 0.132 0.000 0.064 0.772 0.028 0.004
#> 28024 4 0.5149 0.62947 0.000 0.000 0.172 0.684 0.108 0.036
#> 28028 5 0.6054 0.27315 0.000 0.000 0.148 0.284 0.536 0.032
#> 28031 2 0.4055 0.56632 0.024 0.744 0.004 0.016 0.000 0.212
#> 28032 5 0.5678 0.41088 0.000 0.012 0.084 0.304 0.580 0.020
#> 28035 1 0.2288 0.84380 0.896 0.000 0.000 0.072 0.028 0.004
#> 28036 5 0.6523 0.22396 0.004 0.000 0.060 0.288 0.508 0.140
#> 28037 1 0.2872 0.83647 0.868 0.000 0.000 0.080 0.028 0.024
#> 28042 2 0.3360 0.69300 0.000 0.768 0.004 0.004 0.220 0.004
#> 28043 5 0.4974 0.48727 0.000 0.004 0.084 0.248 0.656 0.008
#> 28044 5 0.5621 0.34827 0.184 0.000 0.008 0.208 0.596 0.004
#> 28047 4 0.5612 0.23275 0.004 0.000 0.068 0.540 0.028 0.360
#> 30001 1 0.1219 0.84572 0.948 0.000 0.000 0.048 0.004 0.000
#> 31007 6 0.3852 0.48937 0.000 0.324 0.000 0.012 0.000 0.664
#> 31011 4 0.5888 0.49412 0.000 0.004 0.312 0.488 0.196 0.000
#> 33005 1 0.2558 0.82789 0.884 0.000 0.004 0.084 0.012 0.016
#> 36001 1 0.4667 0.72216 0.720 0.004 0.012 0.208 0.020 0.036
#> 36002 3 0.2773 0.69567 0.004 0.000 0.872 0.076 0.004 0.044
#> 37013 5 0.3478 0.53446 0.112 0.032 0.024 0.004 0.828 0.000
#> 43001 2 0.3270 0.64335 0.008 0.832 0.004 0.016 0.008 0.132
#> 43004 2 0.4325 0.33098 0.000 0.524 0.000 0.020 0.456 0.000
#> 43007 3 0.3005 0.69509 0.000 0.000 0.864 0.060 0.024 0.052
#> 43012 2 0.4267 0.68422 0.000 0.764 0.012 0.096 0.124 0.004
#> 48001 2 0.4804 0.67523 0.096 0.728 0.000 0.044 0.132 0.000
#> 49006 3 0.1293 0.73142 0.000 0.020 0.956 0.016 0.004 0.004
#> 57001 4 0.6615 0.27116 0.076 0.004 0.116 0.480 0.324 0.000
#> 62001 1 0.6639 0.08906 0.420 0.000 0.004 0.232 0.028 0.316
#> 62002 4 0.6497 0.09369 0.136 0.000 0.056 0.424 0.384 0.000
#> 62003 2 0.2810 0.71874 0.000 0.832 0.008 0.004 0.156 0.000
#> 63001 6 0.3717 0.68026 0.000 0.004 0.060 0.136 0.004 0.796
#> 64001 3 0.1659 0.72316 0.020 0.000 0.940 0.028 0.004 0.008
#> 64002 1 0.1408 0.84657 0.952 0.000 0.008 0.024 0.008 0.008
#> 65005 3 0.1675 0.71795 0.008 0.000 0.936 0.032 0.000 0.024
#> 68001 1 0.2177 0.83858 0.908 0.000 0.000 0.052 0.008 0.032
#> 68003 5 0.3118 0.56210 0.052 0.004 0.028 0.032 0.872 0.012
#> 84004 3 0.3642 0.53252 0.000 0.000 0.760 0.204 0.000 0.036
#> LAL5 5 0.3196 0.61585 0.000 0.028 0.020 0.084 0.856 0.012
#> 01003 5 0.3717 0.61218 0.000 0.060 0.004 0.136 0.796 0.004
#> 01007 2 0.5910 0.64082 0.080 0.660 0.008 0.024 0.180 0.048
#> 02020 5 0.2544 0.59625 0.028 0.072 0.000 0.004 0.888 0.008
#> 04018 5 0.5468 0.32618 0.008 0.044 0.016 0.380 0.544 0.008
#> 09002 3 0.4948 0.43353 0.000 0.316 0.604 0.000 0.076 0.004
#> 10005 6 0.4331 0.64039 0.000 0.000 0.072 0.192 0.008 0.728
#> 11002 6 0.3778 0.66344 0.000 0.008 0.036 0.172 0.004 0.780
#> 12008 2 0.4718 0.23199 0.000 0.500 0.016 0.008 0.468 0.008
#> 15006 1 0.1458 0.84732 0.948 0.000 0.000 0.016 0.016 0.020
#> 16002 4 0.5443 0.41379 0.000 0.000 0.008 0.584 0.132 0.276
#> 16007 4 0.6077 0.47027 0.000 0.004 0.332 0.476 0.008 0.180
#> 17003 2 0.1908 0.67976 0.000 0.900 0.000 0.004 0.000 0.096
#> 18001 4 0.5926 0.63678 0.000 0.000 0.208 0.608 0.068 0.116
#> 19002 2 0.5335 0.26643 0.000 0.492 0.000 0.108 0.400 0.000
#> 19008 6 0.5599 0.47235 0.072 0.004 0.004 0.060 0.204 0.656
#> 19014 2 0.4855 0.57014 0.000 0.640 0.000 0.104 0.256 0.000
#> 19017 6 0.5421 0.58553 0.008 0.000 0.096 0.168 0.048 0.680
#> 20005 5 0.4576 0.52553 0.000 0.004 0.024 0.272 0.676 0.024
#> 24006 5 0.3742 0.22438 0.000 0.348 0.000 0.000 0.648 0.004
#> 26009 1 0.3470 0.81660 0.836 0.000 0.000 0.052 0.072 0.040
#> 28008 6 0.3900 0.62647 0.000 0.004 0.020 0.228 0.008 0.740
#> 28009 2 0.3210 0.71399 0.000 0.852 0.000 0.032 0.048 0.068
#> 31015 6 0.6908 0.40756 0.000 0.260 0.080 0.208 0.000 0.452
#> 37001 2 0.2912 0.70851 0.000 0.816 0.000 0.012 0.172 0.000
#> 43006 5 0.6882 0.00199 0.000 0.000 0.080 0.336 0.416 0.168
#> 43015 5 0.5658 0.48810 0.000 0.044 0.228 0.096 0.628 0.004
#> 44001 2 0.3900 0.46886 0.000 0.740 0.020 0.008 0.004 0.228
#> 49004 3 0.5936 0.39556 0.000 0.012 0.604 0.064 0.252 0.068
#> 56007 5 0.3138 0.56857 0.032 0.004 0.012 0.040 0.872 0.040
#> 64005 2 0.4126 0.26405 0.000 0.512 0.004 0.000 0.480 0.004
#> 65003 2 0.1863 0.72569 0.000 0.896 0.000 0.000 0.104 0.000
#> 83001 1 0.4692 0.55927 0.608 0.000 0.004 0.032 0.348 0.008
#> LAL4 2 0.3421 0.66230 0.000 0.736 0.000 0.008 0.256 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature()
returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot
argument is set
to FALSE
, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb
is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb
are:
which_row
: row indices corresponding to the input matrix.fdr
: FDR for the differential test. mean_x
: The mean value in group x.scaled_mean_x
: The mean value in group x after rows are scaled.km
: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k
:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n sex(p) age(p) BT(p) k
#> ATC:NMF 122 0.669 0.1273 0.5879 2
#> ATC:NMF 118 0.646 0.0450 0.6609 3
#> ATC:NMF 78 0.691 0.0518 0.2055 4
#> ATC:NMF 74 0.512 0.1193 0.0227 5
#> ATC:NMF 93 0.145 0.8612 0.0866 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...)
to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
sessionInfo()
#> R version 3.6.0 (2019-04-26)
#> Platform: x86_64-pc-linux-gnu (64-bit)
#> Running under: CentOS Linux 7 (Core)
#>
#> Matrix products: default
#> BLAS: /usr/lib64/libblas.so.3.4.2
#> LAPACK: /usr/lib64/liblapack.so.3.4.2
#>
#> locale:
#> [1] LC_CTYPE=en_GB.UTF-8 LC_NUMERIC=C LC_TIME=en_GB.UTF-8
#> [4] LC_COLLATE=en_GB.UTF-8 LC_MONETARY=en_GB.UTF-8 LC_MESSAGES=en_GB.UTF-8
#> [7] LC_PAPER=en_GB.UTF-8 LC_NAME=C LC_ADDRESS=C
#> [10] LC_TELEPHONE=C LC_MEASUREMENT=en_GB.UTF-8 LC_IDENTIFICATION=C
#>
#> attached base packages:
#> [1] grid stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] genefilter_1.66.0 ComplexHeatmap_2.3.1 markdown_1.1 knitr_1.26
#> [5] GetoptLong_0.1.7 cola_1.3.2
#>
#> loaded via a namespace (and not attached):
#> [1] circlize_0.4.8 shape_1.4.4 xfun_0.11 slam_0.1-46
#> [5] lattice_0.20-38 splines_3.6.0 colorspace_1.4-1 vctrs_0.2.0
#> [9] stats4_3.6.0 blob_1.2.0 XML_3.98-1.20 survival_2.44-1.1
#> [13] rlang_0.4.2 pillar_1.4.2 DBI_1.0.0 BiocGenerics_0.30.0
#> [17] bit64_0.9-7 RColorBrewer_1.1-2 matrixStats_0.55.0 stringr_1.4.0
#> [21] GlobalOptions_0.1.1 evaluate_0.14 memoise_1.1.0 Biobase_2.44.0
#> [25] IRanges_2.18.3 parallel_3.6.0 AnnotationDbi_1.46.1 highr_0.8
#> [29] Rcpp_1.0.3 xtable_1.8-4 backports_1.1.5 S4Vectors_0.22.1
#> [33] annotate_1.62.0 skmeans_0.2-11 bit_1.1-14 microbenchmark_1.4-7
#> [37] brew_1.0-6 impute_1.58.0 rjson_0.2.20 png_0.1-7
#> [41] digest_0.6.23 stringi_1.4.3 polyclip_1.10-0 clue_0.3-57
#> [45] tools_3.6.0 bitops_1.0-6 magrittr_1.5 eulerr_6.0.0
#> [49] RCurl_1.95-4.12 RSQLite_2.1.4 tibble_2.1.3 cluster_2.1.0
#> [53] crayon_1.3.4 pkgconfig_2.0.3 zeallot_0.1.0 Matrix_1.2-17
#> [57] xml2_1.2.2 httr_1.4.1 R6_2.4.1 mclust_5.4.5
#> [61] compiler_3.6.0